神经网络 及应用.ppt

将数据转化为[0,1]之间。 1）最大最小法 2）平均数方差法 命令：mapminmax [inputn,inputps] =mapminmax(input_train); inputn归一化的数据，inputps归一化得到的结构体，包含数据的最大值，最小值和平均值等信息。 测试数据的归一化和反归一化。 input_test =mapminmax(‘apply’, input_test, inputps);%归一化 Bpoutput =mapminmax(‘reverse’, an,outputs); %反归一化。 包括的网络有感知器，线性网络，BP神经网络，径向基网络，自组织网络和回归网络等。 BP神经网络包括三个函数newff，sim，train 1. net=newff(P,T,S,TF,BTF,BLF,PF,IPF,OPF,DDF) P:输入数据矩阵；T：输出矩阵数据；S：隐含节点数； TF：节点传递函数——hardlim，hardlims，purelin，tansig，logsig； BTF：训练函数，梯度下降法，包括traingd，traingdm等； BLF：网络学习函数，学习规则learngd，learngdm； PF：性能分析函数，绝对误差mae，均方误差mse； IPF：输入处理函数； OPF：输出处理函数； DDF：验证数据划分函数 2.train：BP神经网络训练函数 [net,tr] = train(NET,X,T,Pi,Ai); NET: 待训练网络 X：输入函数矩阵； T：输出数据矩阵； Pi：初始化输入层条件； Ai：初始化输出层条件； net：训练好的网络； tr：训练过程记录。 3.sim:BP神经网络预测函数 用训练好的BP神经网络预测函数输出。 y=sim(net,x); net训练好的网络； x：输入数据；y: 网络预测数据 nntool 500组24维语音特征信号，用BP网络实现对民歌，古筝，摇滚，流行四类不音乐的有效分类。 原始信号 预处理 信号提取 模式匹配 判别规则 参考模式 语音信号 识别结果 包括BP神经网络构建，BP神经网络训练和BP神经网络分类。 BP神经网络构建 根据系统输入输出数据特点确定结构。 语音信号的特征是24维，要分成四类，于是选择 24——25——4 24个输入节点，25个隐含层节点，4个输出层节点。 BP神经网络训练 训练数据：从500*4=2000组中随机选择1500组数据进行训练，其余500组作为测试数据测试网络分类能力。 BP神经网络分类 用训练好的神经网络对测试数据所属语音类别进行分类。 1. 数据选择和归一化。 从数据中提取类别标识(在第1维)，后24维是语音特征。 随机选取1500组，500组作为测试数据，并对训练数据进行归一化处理。 根据类别标识设定每组语音信号的期望输出值，如标识为1，则输出向量[1 0 0 0]; 2.BP神经网络初始化； 3.BP神经网络训练——最速下降法 4.BP神经网络分类 5.结果分析——分类误差等 全部的matlab文件，见BP.m 1.数据归一化预处理如前。 2. BP神经网络构建 net = newff(inputn,outputn,25); 3. BP神经网络训练 %网络参数配置(迭代次数，学习率，目标) net.trainParam.epochs = 100;%最大训练次数 net.trainParam.lr = 0.1; net.trainParam.goal = 0.001;%训练精度 %BP神经网络训练 [net, tr] = train(net,inputn,outputn); 4.BP神经网络预测 %预测数据归一化inputn_test=mapminmax(‘apply’, input_test, inputps); %BP神经网络预测输出 fore = sim(net,inputn_test)； 5.结果分析如前。 请根据黄瓜病虫害的数据，用神经网络进行训练并进行病虫害分类。 见data.xls, diseasename.txt * ：有监督的学习 调整自身突触权值以适应外界变化的能力——自适应模式系统。可用于分类。 * n-m的函数映射关系 * 欧式距离，也可以是别的距离 * 于是能够看出误差的向后传播性，信号是向前传播。 * 根据输入输出序列(X,Y)确定： * 对BP神经网络预测精度有很大影响。 节点数太小，需要增加训练次数，影响训练精度； 节点数太多，训练时间增加，网络容易过拟合。 * 同样有train，simulation，init * 崔丽 数学科学学院 2011.7.11