BP算法分类器设计.docxVIP

基于BP算法的分类器设计1 概述已近证明利用神经网络误差反向传播学习算法（BP算法）设计线性或非线性分类器可以具有较好的效果。然而在决策面已知，即已知物体的分类面时,能否设计神经网络利用BP算法逼近该决策面呢，答案是肯定的。实际上该问题就是利用神经网络去逼近一条或多条曲线。利用神经网络产生的曲面去代替这个决策面，这样就可以非常方便的根据需要来修改决策面，以适应物体变异或突变等情况。下面以一个具体的例子说明这个问题。2 仿真实例已知在二维平面上存在两条决策线，其方程为=以及=，ρ=。可表示为y=f(x)===,其中ρ=。由这两条决策线构成了的非线性分类器可将空间中的三种不同性质的物质分开。利用BP算法设计模型f(x)。 首先考察隐含层为4个神经元的情形。任意选取x1与x2的值（此处各选取20个值）利用MATLAB画出原函数f1与f2的三维图形如图1所示。画出前向传播神经网络图形如图2所示，用神经网络反向学习算法与此图去逼近模型，学习矩阵为之前选取的x1与x2的20个值与其对应的20个输出值。 图1函数f（x）的图像 图2前向传播神经网络3 算法设计算法的程序流程图如图3所示 图3 程序流程图 图 4输出层神经元示意图图5 隐含层神经元示意图3.1 输出层神经元的权值修正算法（神经元j）由于权值的修正值ΔW是通过梯度下降法求得的，因此要求出。如图4，的计算公式如下=???对等式右侧的