基于matlab實現(xiàn)bp神經(jīng)網(wǎng)絡模型仿真

《基于matlab實現(xiàn)bp神經(jīng)網(wǎng)絡模型仿真》由會員上傳分享，免費在線閱讀，更多相關內(nèi)容在行業(yè)資料-天天文庫。

1、基于BP神經(jīng)網(wǎng)絡模型及改進模型對全國歷年車禍次數(shù)預測一、背景我國今年來隨著經(jīng)濟的發(fā)展，汽車需求量不斷地增加，所以全國每年的車禍次數(shù)也被越來越被關注，本文首先搜集全國歷年車禍次數(shù)，接著通過這些數(shù)據(jù)利用BP神經(jīng)網(wǎng)絡模型和改進的徑向基函數(shù)網(wǎng)絡進行預測，最后根據(jù)預測結果，分析模型的優(yōu)劣，從而達到深刻理解BP神經(jīng)網(wǎng)絡和徑向基函數(shù)網(wǎng)絡的原理及應用。文中所用到的數(shù)據(jù)即全國歷年車禍次數(shù)來自中國汽車工業(yè)信息網(wǎng)，網(wǎng)址如下：http://www.autoinfo.gov.cn/autoinfo_cn/cszh/gljt/qt/webinfo

2、/2006/05/1246501820021204.htm制作歷年全國道路交通事故統(tǒng)計表如下所示：年份事故次數(shù)（次）199834612919994128602000616971200175491920027731372003667507200456775320054502542006?378781200732720920082652042009238351二、問題研究（一）研究方向（1）通過數(shù)據(jù)利用BP神經(jīng)網(wǎng)絡模型預測歷年全國交通事故次數(shù)并與實際值進行比較。（2）分析BP神經(jīng)網(wǎng)絡模型改變訓練函數(shù)再進行仿真與之前結果進行

3、對比。（3）從泛化能力和穩(wěn)定性等方面分析BP神經(jīng)網(wǎng)絡模型的優(yōu)劣。（4）利用徑向基函數(shù)網(wǎng)絡模型進行仿真，得到結果與采用BP神經(jīng)網(wǎng)絡模型得到的結果進行比較。（一）相關知識（1）人工神經(jīng)網(wǎng)絡人工神經(jīng)網(wǎng)絡是一種應用類似于大腦神經(jīng)突觸聯(lián)接的結構進行信息處理的數(shù)學模型。在工程與學術界也常直接簡稱為神經(jīng)網(wǎng)絡或類神經(jīng)網(wǎng)絡。神經(jīng)網(wǎng)絡是一種運算模型，由大量的節(jié)點（或稱神經(jīng)元）和之間相互聯(lián)接構成。每個節(jié)點代表一種特定的輸出函數(shù)，稱為激勵函數(shù)（activationfunction）。每兩個節(jié)點間的連接都代表一個對于通過該連接信號的加權值，稱之

4、為權重，這相當于人工神經(jīng)網(wǎng)絡的記憶。網(wǎng)絡的輸出則依網(wǎng)絡的連接方式，權重值和激勵函數(shù)的不同而不同。而網(wǎng)絡自身通常都是對自然界某種算法或者函數(shù)的逼近，也可能是對一種邏輯策略的表達。人工神經(jīng)網(wǎng)絡有以下幾個特征：（1）非線性非線性關系是自然界的普遍特性。大腦的智慧就是一種非線性現(xiàn)象。人工神經(jīng)元處于激活或抑制二種不同的狀態(tài)，這種行為在數(shù)學上表現(xiàn)為一種非線性?網(wǎng)絡關系。具有閾值的神經(jīng)元構成的網(wǎng)絡具有更好的性能，可以提高容錯性和存儲容量?！。?）非局限性一個神經(jīng)網(wǎng)絡通常由多個神經(jīng)元廣泛連接而成。一個系統(tǒng)的整體行為不僅取決于單個神經(jīng)元

5、的特征，而且可能主要由單元之間的相互作用、相互連接所決定。通過單元之間的大量連接模擬大腦的非局限性。聯(lián)想記憶是非局限性的典型例子?！。?）非常定性人工神經(jīng)網(wǎng)絡具有自適應、自組織、自學習能力。神經(jīng)網(wǎng)絡不但處理的信息可以有各種變化，而且在處理信息的同時，非線性動力系統(tǒng)本身也在不斷變化。經(jīng)常采用迭代過程描寫動力系統(tǒng)的演化過程。（4）非凸性一個系統(tǒng)的演化方向，在一定條件下將取決于某個特定的狀態(tài)函數(shù)。例如能量函數(shù)，它的極值相應于系統(tǒng)比較穩(wěn)定的狀態(tài)。非凸性是指這種函數(shù)有多個極值，故系統(tǒng)具有多個較穩(wěn)定的平衡態(tài)，這將導致系統(tǒng)演化的多樣

6、性。（2）BP神經(jīng)網(wǎng)絡模型BP（BackPropagation）網(wǎng)絡是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡，是目前應用最廣泛的神經(jīng)網(wǎng)絡模型之一。BP網(wǎng)絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數(shù)學方程。它的學習規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡的權值和閾值，使網(wǎng)絡的誤差平方和最小。BP神經(jīng)網(wǎng)絡模型拓撲結構包括輸入層（input）、隱層(hidelayer)和輸出層(outputlayer)。（3）

7、徑向基函數(shù)網(wǎng)絡模型徑向基函數(shù)（RadialBasisFunction，RBF）神經(jīng)網(wǎng)絡由三層組成，輸入層節(jié)點只傳遞輸入信號到隱層，隱層節(jié)點由像高斯函數(shù)那樣的輻射狀作用函數(shù)構成，而輸出層節(jié)點通常是簡單的線性函數(shù)。隱層節(jié)點中的作用函數(shù)（基函數(shù)）對輸入信號將在局部產(chǎn)生響應，也就是說，當輸入信號靠近基函數(shù)的中央范圍時，隱層節(jié)點將產(chǎn)生較大的輸出，由此看出這種網(wǎng)絡具有局部逼近能力，所以徑向基函數(shù)網(wǎng)絡也稱為局部感知場網(wǎng)絡。一、建模第一步：根據(jù)數(shù)據(jù)選定BP神經(jīng)網(wǎng)絡的結構，本文中所用到的BP神經(jīng)網(wǎng)絡模型網(wǎng)絡層數(shù)為2，隱層神經(jīng)元數(shù)目為10

8、，選擇隱層和輸出層神經(jīng)元函數(shù)分別為tansig函數(shù)和purelin函數(shù)，網(wǎng)絡訓練方法分別用了梯度下降法、有動量的梯度下降法和有自適應lr的梯度下降法。第二步：對輸入數(shù)據(jù)和輸出數(shù)據(jù)進行歸一化處理；第三步：有函數(shù)newff（）構造神經(jīng)網(wǎng)絡。第四步：在對神經(jīng)網(wǎng)絡訓練之前，首先設定相關參數(shù)，例如最大訓練次數(shù)、訓練要求精度、學習率等。第五步