BP神经网络63513.pptVIP

BP神经网络 人工智能 目录 BP神经网络简介 详细设计 结果 1 2 3 Back Propagation BP网络 BP网络是一种按误差逆传播算法训练的多层前馈网络。它能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hide layer)和输出层(output layer)。 Back Propagation 反向传播 反向传播算法是一种计算单个权值变化引起网络性能变化值的方法。由于BP算法过程包含从输出节点开始，反向地向第一隐含层(即最接近输入层的隐含层)传播由总误差引起的权值修正，所以称为反向传播。 传统的BP算法 把一组样本输入/输出问题转化为一个非线性优化问题，并通过负梯度下降算法，利用迭代运算求解权值问题的一种学习方法，但其收敛速度慢且容易陷入局部极小，为此提出了一种新的算法，即高斯消元法 高斯消元法 将给定的目标输出直接作为线性方程等式代数和来建立线性方程组，不再通过对传递函数求逆来计算神经元的净输出，简化了运算步骤。没有采用误差反馈原理，因此用此法训练出来的神经网络结果与传统算法是等效的。 高斯消元法基本思想 由所给的输入、输出模式对通过作用于神经网络来建立线性方程组，运用高斯消元法解线性方程组来求得未知权值，而未采用传统BP网络的非线性函数误差反馈寻优的思想。 改进算法的具体步骤 对给定的样本模式对，随机选定一组自由权，作为输出层和隐含层之间固定权值，通过传递函数计算隐层的实际输出，再将输出层与隐层间的权值作为待求量，直接将目标输出作为等式的右边建立方程组来求解。 改进算法的具体步骤 （1）随机给定隐层和输入层间神经元的初始权值。 （2）由给定的样本输入计算出隐层的实际输出。 （3）计算输出层与隐层间的权值。以输出层的第r个神经元为对象，由给定的输出目标值作为等式的多项式值建立方程。　 　　 （4）重复第三步就可以求出输出层m个神经元的权值，以求的输出层的权矩阵加上随机固定的隐层与输入层的权值就等于神经网络最后训练的权矩阵。 神经网络函数 1、newff：BP神经网络参数设置函数 函数功能：构建一个BP神经网络。 2、train：BP神经网络训练函数 函数功能：用训练数据训练BP神经网络。 3、sim：BP神经网络预测函数、 函数功能：用训练好的BP神经网络预测函数输出。 清空环境变量 clc clear 训练数据预测数据 data=importdata(test.txt); 从1到768间随机排序 k=rand(1,768); [m,n]=sort(k); 输入输出数据 input=data(:,1:8); output =data(:,9); 随机提取500个样本为训练样本，268个样本为预测样本 input_train=input(n(1:500),:); output_train=output(n(1:500),:); input_test=input(n(501:768),:); output_test=output(n(501:768),:); 输入数据归一化 [inputn,inputps]=mapminmax(input_train); BP网络训练 初始化网络结构 net=newff(inputn,output_train,10); net.trainParam.epochs=1000; net.trainParam.lr=0.1; net.trainParam.goal=0.0000004; 网络训练 net=train(net,inputn,output_train); BP网络预测 预测数据归一化 inputn_test=mapminmax (apply,input_test,inputps); 网络预测输出 BPoutput=sim(net,inputn_test); 结果分析 根据网络输出找出数据属于哪类 BPoutput(find(BPoutput0.5))=0; BPoutput(find(BPoutput=0.5))=