資源描述：
《最新BP神經(jīng)網(wǎng)絡(luò)及簡單示例教學(xué)講義ppt課件.ppt》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫。
1、BP神經(jīng)網(wǎng)絡(luò)及簡單示例神經(jīng)網(wǎng)絡(luò)淺嘗神經(jīng)網(wǎng)絡(luò)基礎(chǔ)知識常用函數(shù)介紹案例——蠓蟲分類神經(jīng)網(wǎng)絡(luò)基礎(chǔ)知識構(gòu)成：大量簡單的基本元件——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(zhuǎn)化特點：比較輕松地實現(xiàn)非線性映射過程具有大規(guī)模的計算能力神經(jīng)元結(jié)構(gòu)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(quán)值yi表示輸出值傳遞函數(shù)閾值型線性型S型神經(jīng)網(wǎng)絡(luò)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
2、由若干層組成)和輸出層。前向網(wǎng)絡(luò)：輸入層輸出層中間層特點：每層只接受前一層的信息，沒有反饋。如：感知器網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)有反饋的前向神經(jīng)網(wǎng)絡(luò)：特點：輸出層對輸入層有反饋信息。如：認知機和回歸BP網(wǎng)絡(luò)。層內(nèi)有互相結(jié)合的前向網(wǎng)絡(luò)：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相互結(jié)合型網(wǎng)絡(luò)：特點：任意兩個神經(jīng)元之間都可能有聯(lián)系BP神經(jīng)網(wǎng)絡(luò)多層前饋神經(jīng)網(wǎng)絡(luò)，信號向前傳播，誤差向后傳播。輸入層輸出層中間層ijk輸入層輸出層中間層ijk中間層：輸入輸出輸入層輸出層中間層ijk輸出層:輸入輸出輸入層輸出層中間層ijk思
3、路：1、觸角長和翼長作為輸入信息，分別記為x1,x2。目標(biāo)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輸入層輸出層中間層ijk2、通過已知樣本訓(xùn)練出合適的權(quán)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(luò)，求值。權(quán)值求法：向后傳播法理想輸出Af類(1,0)，Apf類(0,1)記為{Tis}則有誤差：使得E(w)最小的作為所需的權(quán)值傳遞函數(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=-
4、10:0.1:10a=logsig(n)plot(n,a)gridon圖形如下：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newff創(chuàng)建一個BP網(wǎng)絡(luò)，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)建一個BP網(wǎng)絡(luò)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
5、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(luò)的訓(xùn)練函數(shù)，默認為“trainlm”;BLF：權(quán)值和閾值的BP學(xué)習(xí)算法，默認為“l(fā)earngdm”PF：網(wǎng)絡(luò)的性能函數(shù)，默認為“mse”常用函數(shù)train用于對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。調(diào)用格式為：[net,tr,Y,E,Pf,Af]=train(NET,P,T,Pi,Ai)其中，NET：待訓(xùn)練的神經(jīng)網(wǎng)絡(luò)；P：網(wǎng)絡(luò)的輸入信號；T：網(wǎng)絡(luò)的目標(biāo)，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；n
6、et：函數(shù)返回值，訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)；tr：函數(shù)返回值，訓(xùn)練記錄(包括步數(shù)和性能)；Y：函數(shù)返回值，神經(jīng)網(wǎng)絡(luò)的輸出信號；E：函數(shù)返回值，神經(jīng)網(wǎng)絡(luò)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。神經(jīng)網(wǎng)絡(luò)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(luò)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(luò)誤差；perf：函數(shù)返回值，網(wǎng)絡(luò)性能；net：待仿真的神經(jīng)網(wǎng)絡(luò)；P：網(wǎng)絡(luò)輸入；Pi：初
7、始輸入延遲，默認為0；Ai：初始的層延遲，默認為0；T：網(wǎng)絡(luò)目標(biāo)，默認為0.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(
8、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=[1.241.80;1.281.84;1.402.04]';y0=sim(net,p)y=sim(net,x)Thanks!
