BP神经网络及简单标准规定样式.ppt

《BP神经网络及简单标准规定样式.ppt》由会员分享，可在线阅读，更多相关《BP神经网络及简单标准规定样式.ppt（27页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、神 经 网 络 浅尝,数学建模工作室 张敏,神经网络浅尝,神经网络基础知识 常用函数介绍 案例蠓虫分类,神经网络基础知识,构成：大量简单的基本元件神经元相互连接 工作原理：模拟生物的神经处理信息的方式 功能：进行信息的并行处理和非线性转化,特点：比较轻松地实现非线性映射过程 具有大规模的计算能力,医学：疾病识别 图像：识别、去噪、增强、配准、融合 金融：股票和有价证券的预测分析、资本收益的预测和分析、风险管理、信用评估等等,应用范围,神经网络结构图,生物神经元结构：,神经元结构模型,可以看出神经元一般表现为一个多输入、单输出的非线性器件 xj为输入信号， 为阈值， 表示与神经元 xj 连接的权

2、值 yi表示输出值,传递函数,阈值型,线性型,S型,神经网络的互连模式,神经元分层排列，分别组成输入层、中间层(也叫隐含层，可以由若干层组成)和输出层。,前向网络：,特点：每层只接受前一层的信息，没有反馈。 如：感知器网络和BP神经网络,有反馈的前向神经网络：,特点：输出层对输入层有反馈信息。 如：认知机和回归BP网络。,层内有互相结合的前向网络：,特点：可以实现同一层内神经元之间的横向抑制或兴奋作用,相互结合型网络：,特点：任意两个神经元之间都可能有联系,BP神经网络,多层前馈神经网络，信号向前传播，误差向后传播。,中间层： 输入 输出,输出层: 输入 输出,思路： 1、触角长和翼长作为输入

3、信息，分别记为x1,x2。 目标输出：(0,1) 、(1,0)。 Af类记为 (1,0)，Apf类记为(0,1)。,2、通过已知样本训练出合适的权值 使输出为(0,1)或(1,0)。,3、将待区分的蠓虫数据输入网络，求值。,权值求法：向后传播法 理想输出 Af类(1,0)，Apf类(0,1)记为 Tis则有误差：,使得E(w)最小的 作为所需的权值,传递函数(激活函数) logsig(S型函数)：,MATLAB按此函数计算：,调用格式：A=logsig(N),如： n=-10:0.1:10 a=logsig(n) plot(n,a) grid on,图形如下：,tansig(双曲正切S型传递函

4、数)：,调用格式：A=tansig(n),如： n=-10:0.1:10 a=tansig(n) plot(n,a) grid on 如右图所示,newff 创建一个BP网络，其调用格式为：,net=newff net=newff(PR,S1 S2 SN1,TF1 TF2TFN1,BTF,BLF,PF),其中，,net=newff ：用于在对话框中创建一个BP网络 PR ：由每组输入(共有R组输入)元素的最大值和最小值组成的R2维的矩阵； Si ：第i层的长度，共计N1层 TFi：第i层的传递函数，默认为“tansig” BTF：BP网络的训练函数，默认为“trainlm”; BLF：权值和阈

5、值的BP学习算法，默认为“learngdm” PF：网络的性能函数，默认为“mse”,常用函数,train 用于对神经网络进行训练。调用格式为： net,tr,Y,E,Pf,Af=train(NET,P,T,Pi,Ai) 其中， NET：待训练的神经网络； P：网络的输入信号； T：网络的目标，默认值为0； Pi：初始的输入延迟，默认为0； Ai：初始的层次延迟，默认为0； net：函数返回值，训练后的神经网络； tr：函数返回值，训练记录(包括步数和性能)； Y：函数返回值，神经网络的输出信号； E：函数返回值，神经网络的误差； Pf：函数返回值，最终输入延迟； Af：函数返回值，最终层延迟

6、。,神经网络仿真函数sim 调用格式为： Y,Pf,Af,E,perf=sim(net,P,Pi,Ai,T) 其中， Y：函数返回值，网络输出； Pf：函数返回值，最终输出延迟； Af：函数返回值，最终的层延迟； E：函数返回值，网络误差； perf：函数返回值，网络性能； net：待仿真的神经网络； P：网络输入； Pi：初始输入延迟，默认为0； Ai：初始的层延迟，默认为0； T：网络目标，默认为0.,clear p1=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,

7、2.08; p2=1.14,1.82;1.18,1.96;1.20,1.86;1.26,2.00 1.28,2.00;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,logsig,logsig); net = train(net,p,goal); x=1.24 1.80;1.28 1.84;1.40 2.04; y0=sim(net,p) y=sim(net,x),Thanks !,