人工智能論文-基于BP神經(jīng)網(wǎng)絡(luò)

淺談神經(jīng)網(wǎng)絡(luò)張舒摘要：本文主要介紹仿生算法神經(jīng)網(wǎng)絡(luò)的原理和應(yīng)用方向，分為兩個(gè)部分，首先是關(guān)于原理的介紹，然后是關(guān)于MATLAB神經(jīng)網(wǎng)絡(luò)工具箱程序和應(yīng)用關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)matlab神經(jīng)網(wǎng)絡(luò)工具箱人工神經(jīng)網(wǎng)絡(luò)的基本工作原理神經(jīng)元是構(gòu)成神經(jīng)網(wǎng)絡(luò)的最基本單元，神經(jīng)元之間的連接方式不同，可得到不同的神經(jīng)網(wǎng)絡(luò)；各神經(jīng)元之間連接強(qiáng)度是由神經(jīng)網(wǎng)絡(luò)內(nèi)部加權(quán)系數(shù)決定的，加權(quán)系數(shù)決定了信號(hào)傳遞的強(qiáng)弱，信號(hào)可以起刺激作用也可以起抑制作用，而且加權(quán)系數(shù)可以隨著訓(xùn)練進(jìn)行改變。這些特征使得人工神經(jīng)網(wǎng)絡(luò)具有高度的靈活性。神經(jīng)網(wǎng)絡(luò)的工作過程主要分為兩個(gè)階段，第一階段是學(xué)習(xí)期，此時(shí)各計(jì)算單元狀態(tài)不變，各連線上的權(quán)值通過學(xué)習(xí)來修改。第二階段是工作期，此時(shí)連接權(quán)固定，計(jì)算單元狀態(tài)變化，以達(dá)到某種穩(wěn)定狀態(tài)。通過向環(huán)境學(xué)習(xí)獲取知識(shí)并改進(jìn)自身性能是神經(jīng)網(wǎng)絡(luò)的一個(gè)重要特點(diǎn)，這種概念來自生物模型，它使機(jī)體能在復(fù)雜多變的環(huán)境中進(jìn)行有效的自我調(diào)節(jié)。當(dāng)一個(gè)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定以后，若想改變其輸出值，但又不能改變它的轉(zhuǎn)換函數(shù)，只能改變其輸入，而改變輸入的唯一辦法只能修改加在輸入端的加權(quán)系數(shù)。因而，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程是修改加權(quán)系數(shù)的過程，使其輸出接近或達(dá)到期望值，學(xué)習(xí)結(jié)束。在一般情況下，性能的改善也是按某種預(yù)定的度量通過調(diào)節(jié)自身參數(shù)隨時(shí)間逐步達(dá)到的，由此使神經(jīng)網(wǎng)絡(luò)具備類似人類的學(xué)習(xí)能力，使自身性能得到改進(jìn)。將這種特性應(yīng)用于各類自動(dòng)控制系統(tǒng)中，使系統(tǒng)具有較高的智能行為，實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)自動(dòng)控制。學(xué)習(xí)算法是神經(jīng)網(wǎng)絡(luò)的主要特征，也是當(dāng)前研究的主要課題。神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法很多,下面介紹一種常用的神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中包含關(guān)于神經(jīng)網(wǎng)絡(luò)函數(shù)，主要有以下幾類。前向網(wǎng)絡(luò)創(chuàng)建函數(shù)：newef，newff，newfftd。激勵(lì)函數(shù)：logsig，dlogsig，tansig，dtansig，purelin，dpurelin。學(xué)習(xí)函數(shù)：learngd，learngdm。性能函數(shù)：mse，msereg。以上MATLAB神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)將在下面的MATLAB程序中講到，此程序是關(guān)于人臉方向識(shí)別的小程序。源程序：M_train=3;%表示人臉N_train=5;%表示方向sample=[];pixel_value=[];sample_number=0;forj=1:N_trainfori=1:M_trainstr=strcat('Images\',num2str(i),'_',num2str(j),'.bmp');%讀取圖像，連接字符串形成圖像的文件名。img=imread(str);[rowscols]=size(img);%獲得圖像的行和列值。img_edge=edge(img,'Sobel');%由于在分割圖片中我們可以看到這個(gè)人臉的眼睛部分也就是位于分割后的第二行中，位置變化比較大，而且眼睛邊緣檢測(cè)效果很好sub_rows=floor(rows/6);%最接近的最小整數(shù),分成6行sub_cols=floor(cols/8);%最接近的最小整數(shù)，分成8列sample_num=M_train*N_train;%前5個(gè)是第一幅人臉的5個(gè)角度sample_number=sample_number+1;forsubblock_i=1:8%因?yàn)檫@還在i，j的循環(huán)中，所以不可以用iblock_num=subblock_i;pixel_value(sample_number,block_num)=0;forii=sub_rows:(2*sub_rows)forjj=(subblock_i-1)*sub_cols+1:subblock_i*sub_colspixel_value(sample_number,block_num)=pixel_value(sample_number,block_num)+img_edge(ii,jj);endendendendend%將特征值轉(zhuǎn)換為小于1的值max_pixel_value=max(pixel_value);max_pixel_value_1=max(max_pixel_value);fori=1:3mid_value=10^i;if(((max_pixel_value_1/mid_value)>1)&&((max_pixel_value_1/mid_value)<10))multiple_num=1/mid_value;pixel_value=pixel_value*multiple_num;break;endend%T為目標(biāo)矢量t=zeros(3,sample_number);%因?yàn)橛形孱?，所以至少?個(gè)數(shù)表示，5介于2的2次方和2的3次方之間fori=1:sample_number%if((mod(i,5)==1)||(mod(i,5)==4)||(mod(i,5)==0))if(i<=3)||((i>9)&&(i<=12))||((i>12)&&(i<=15))t(1,i)=1;end%if((mod(i,5)==2)||(mod(i,5)==4))if((i>3)&&(i<=6))||((i>9)&&(i<=12))t(2,i)=1;end%if((mod(i,5)==3)||(mod(i,5)==0))if((i>6)&&(i<=9))||((i>12)&&(i<=15))t(3,i)=1;endend%NEWFF——生成一個(gè)新的前向神經(jīng)網(wǎng)絡(luò)%TRAIN——對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練%SIM——對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真%定義訓(xùn)練樣本%P為輸入矢量P=pixel_value'%T為目標(biāo)矢量T=tsize(P)size(T)%size(P)%size(T)%創(chuàng)建一個(gè)新的前向神經(jīng)網(wǎng)絡(luò)net_1=newff(minmax(P),[10,3],{'tansig','purelin'},'traingdm')%當(dāng)前輸入層權(quán)值和閾值inputWeights=net_1.IW{1,1}inputbias=net_1.b{1}%當(dāng)前網(wǎng)絡(luò)層權(quán)值和閾值layerWeights=net_1.LW{2,1}layerbias=net_1.b{2}%設(shè)置訓(xùn)練參數(shù)net_1.trainParam.show=50;net_1.trainParam.lr=0.05;net_1.trainParam.mc=0.9;net_1.trainParam.epochs=10000;net_1.trainParam.goal=1e-3;%調(diào)用TRAINGDM算法訓(xùn)練BP網(wǎng)絡(luò)[net_1,tr]=train(net_1,P,T);%對(duì)BP網(wǎng)絡(luò)進(jìn)行仿真A=sim(net_1,P);%計(jì)算仿真誤差E=T-A;MSE=mse(E)x=[0.140110111.2]';sim(net_1,x)人工神經(jīng)網(wǎng)絡(luò)主要可以發(fā)現(xiàn)數(shù)據(jù)中的內(nèi)在規(guī)律，它能通過自我的機(jī)器學(xué)習(xí)來發(fā)現(xiàn)數(shù)據(jù)之間的聯(lián)系，進(jìn)而盡可能找到精確的預(yù)測(cè)數(shù)據(jù)，比如用在對(duì)人口預(yù)測(cè)，基金和股票的預(yù)測(cè)中，同時(shí)也可以進(jìn)行圖像識(shí)別，比如人臉識(shí)別中。參考文獻(xiàn)：[1]卓金武.MATLAB在數(shù)學(xué)建模中的應(yīng)用.[M]北京：北京航空航天大學(xué)出版社.2011.[2]www.iLoveM[3]DiscussontheneuralnetworkZhangShuAbstract:Thispaperdescribestheprinciplesandapplicationsofbionicalgorithmneuralnetworkdirection,dividedintotwoparts,thefirst