BP神經(jīng)網(wǎng)絡及簡單示例

神經(jīng)網(wǎng)絡

——淺嘗數(shù)學建模工作室張敏編輯課件神經(jīng)網(wǎng)絡淺嘗神經(jīng)網(wǎng)絡根底知識常用函數(shù)介紹案例——蠓蟲分類編輯課件神經(jīng)網(wǎng)絡根底知識構成：大量簡單的根本元件——神經(jīng)元相互連接工作原理：模擬生物的神經(jīng)處理信息的方式功能：進行信息的并行處理和非線性轉化特點：比較輕松地實現(xiàn)非線性映射過程具有大規(guī)模的計算能力編輯課件醫(yī)學：疾病識別圖像：識別、去噪、增強、配準、融合金融：股票和有價證券的預測分析、資本收益的預測和分析、風險管理、信用評估等等應用范圍編輯課件神經(jīng)網(wǎng)絡結構圖輸入層輸出層中間層編輯課件樹突細胞核細胞體軸突突觸神經(jīng)末梢生物神經(jīng)元結構：編輯課件神經(jīng)元結構模型x1x2xjx3xnyi可以看出神經(jīng)元一般表現(xiàn)為一個多輸入、單輸出的非線性器件xj為輸入信號，

為閾值，

表示與神經(jīng)元xj

連接的權值

yi表示輸出值編輯課件傳遞函數(shù)閾值型線性型S型編輯課件神經(jīng)網(wǎng)絡的互連模式神經(jīng)元分層排列，分別組成輸入層、中間層(也叫隱含層，可以由假設干層組成)和輸出層。前向網(wǎng)絡：輸入層輸出層中間層特點：每層只接受前一層的信息，沒有反響。如：感知器網(wǎng)絡和BP神經(jīng)網(wǎng)絡編輯課件有反響的前向神經(jīng)網(wǎng)絡：特點：輸出層對輸入層有反響信息。如：認知機和回歸BP網(wǎng)絡。編輯課件層內(nèi)有互相結合的前向網(wǎng)絡：特點：可以實現(xiàn)同一層內(nèi)神經(jīng)元之間的橫向抑制或興奮作用編輯課件相互結合型網(wǎng)絡：特點：任意兩個神經(jīng)元之間都可能有聯(lián)系編輯課件BP神經(jīng)網(wǎng)絡多層前饋神經(jīng)網(wǎng)絡，信號向前傳播，誤差向后傳播。輸入層輸出層中間層ijk編輯課件輸入層輸出層中間層ijk中間層：輸入輸出編輯課件輸入層輸出層中間層ijk輸出層:輸入輸出編輯課件輸入層輸出層中間層ijk編輯課件思路：1、觸角長和翼長作為輸入信息，分別記為x1,x2。目標輸出：(0,1)、(1,0)。Af類記為(1,0)，Apf類記為(0,1)。輸入層輸出層中間層ijk編輯課件輸入層輸出層中間層ijk2、通過樣本訓練出適宜的權值使輸出為(0,1)或(1,0)。3、將待區(qū)分的蠓蟲數(shù)據(jù)輸入網(wǎng)絡，求值。編輯課件權值求法：向后傳播法理想輸出Af類(1,0)，Apf類(0,1)記為{Tis}那么有誤差：使得E(w)最小的作為所需的權值編輯課件傳遞函數(shù)(激活函數(shù))logsig(S型函數(shù))：MATLAB按此函數(shù)計算：調(diào)用格式：A=logsig(N)如：n=-10:0.1:10a=logsig(n)plot(n,a)gridon編輯課件圖形如下：編輯課件tansig(雙曲正切S型傳遞函數(shù))：調(diào)用格式：A=tansig(n)如：n=-10:0.1:10a=tansig(n)plot(n,a)gridon如右圖所示編輯課件newff創(chuàng)立一個BP網(wǎng)絡，其調(diào)用格式為：net=newffnet=newff(PR,[S1S2…SN1],{TF1TF2…TFN1},BTF,BLF,PF)其中，net=newff：用于在對話框中創(chuàng)立一個BP網(wǎng)絡PR：由每組輸入(共有R組輸入)元素的最大值和最小值組成的R×2維的矩陣；Si：第i層的長度，共計N1層TFi：第i層的傳遞函數(shù)，默認為“tansig〞BTF：BP網(wǎng)絡的訓練函數(shù)，默認為“trainlm〞;BLF：權值和閾值的BP學習算法，默認為“l(fā)earngdm〞PF：網(wǎng)絡的性能函數(shù)，默認為“mse〞常用函數(shù)編輯課件train用于對神經(jīng)網(wǎng)絡進行訓練。調(diào)用格式為：[net,tr,Y,E,Pf,Af]=train(NET,P,T,Pi,Ai)其中，NET：待訓練的神經(jīng)網(wǎng)絡；P：網(wǎng)絡的輸入信號；T：網(wǎng)絡的目標，默認值為0；Pi：初始的輸入延遲，默認為0；Ai：初始的層次延遲，默認為0；net：函數(shù)返回值，訓練后的神經(jīng)網(wǎng)絡；tr：函數(shù)返回值，訓練記錄(包括步數(shù)和性能)；Y：函數(shù)返回值，神經(jīng)網(wǎng)絡的輸出信號；E：函數(shù)返回值，神經(jīng)網(wǎng)絡的誤差；Pf：函數(shù)返回值，最終輸入延遲；Af：函數(shù)返回值，最終層延遲。編輯課件神經(jīng)網(wǎng)絡仿真函數(shù)sim調(diào)用格式為：[Y,Pf,Af,E,perf]=sim(net,P,Pi,Ai,T)其中，Y：函數(shù)返回值，網(wǎng)絡輸出；Pf：函數(shù)返回值，最終輸出延遲；Af：函數(shù)返回值，最終的層延遲；E：函數(shù)返回值，網(wǎng)絡誤差；perf：函數(shù)返回值，網(wǎng)絡性能；net：待仿真的神經(jīng)網(wǎng)絡；P：網(wǎng)絡輸入；Pi：初始輸入延遲，默認為0；Ai：初始的層延遲，默認為0；T：網(wǎng)絡目標，默認為0.編輯課件clearp1=[1.24,1.27;1.36,1.74;1.38,1.64;1.38,1.82;1.38,1.90;1.40,1.70;1.48,1.82;1.54,1.82;1.56,2.08];p2=[1.14,1.82;1.18,1.96;1.20,1.86;1.26,2.001.28,2.00;1.30,1.96];p=[p1;p2]';pr=minmax(p);goal=[ones(1,9),zeros(1,6);zeros(1,9),ones(1,6)];plot(p1(:,1),p1(:,2),'h',p2(:,1),p2(:,2),'o')net=newff(pr,[3,2]