ch4神经网络模型及仿真教案解析.pptVIP

anew = 1.0e+04 * 3.8971 3.8193 2.2431 2.2473 nntool命令产生神经网络图形交互界面如下 二、 神经网络交互式界面 3. 人工神经元模型的数学表达二 1949年，心理学家D.O.Hebb最早提出了关于神 经网络学习机理的“突触修正”的假设。该假设 指出，当神经元的突触前膜电位与后膜电位同时 为正时，突触传导增强，当前膜电位与后膜电位 正负相反时，突触传导减弱，也就是说，当神经 元i与神经元j同时处于兴奋状态时，两者之间的连 接强度应增强。根据该假设定义的权值调整方法， 称为Hebbian学习规则。 * * 3、函数purelin——线性激励函数 其使用格式为： A=purelin(N) info=purelin(code) 其中，N为Q个S维的输入列向量；A为函数返回值，A=N；info=tansig(code)根据code值不同返回不同的信息（同函数logsig） 4.2.3 BP网络学习函数（训练函数） 函数名 功能 函数名 功能 traingd 梯度下降法 traincgf PR共轭梯度法 traingdm 势能修正法 traincgp PB共轭梯度法 traingdx 自调整学习效率法 traincgb 标量共轭梯度法 trainrp 恢复BP法 trainscg FR共轭梯度法 trainbfg BFGS拟牛顿法 trainlm LM法 trainoss 一步共轭 + 拟牛顿 trainbr Bayesian规范法 常见学习函数 1、函数learngd 函数learngd是梯度下降法学习函数，视同输入和误差，以及权值和阈值的学习速率计算权值或阈值的变化率。其使用格式为： [dW,LS]=learngd(W,P,Z,N,A,T,E,gW,gA,D,LP,LS) [db,LS]=learngd(b,ones(1,Q),Z,N,A,T,E,gW,gA,D,LP,LS) 其中，W为S×R为的权值矩阵；b为S维的阈值向量；P为Q组R维的输入向量；ones(1,Q)为产生一个Q维的输入向量；Z为Q组S维的加权输入向量；N、A分别为Q组S维的输入、输出向量；T、E分别为Q组S维的层目标向量、层误差向量；gW、gA分别为与性能相关的S×R的维梯度、维输出梯度；D为S×S维的神经元距离矩阵；LP为学习参数，通过其设置学习速率，设置格式为LP.lr=0.001；LS为学习状态，初始状态下为空；dW为S×R维的权值或阈值变化率矩阵；db为S维的阈值变化率向量；ls为新的学习状态 2、函数learngdm 函数learngdm为梯度下降动量学习函数，其使用格式为： [dW,LS]=learngdm(W,P,Z,N,A,T,E,gW,gA,D,LP,LS) [db,LS]=learngdm(b,ones(1,Q),Z,N,A,T,E,gW,gA,D,LP,LS) 其中各参数的含义与函数learngd相同。 动量常熟mc是通过学习参数LP设置的，格式为LP.mc=0.8。 4.2.4 BP网络训练函数 1、函数trainbfg 函数trainbfg为BFGS准牛顿BP算法函数，除BP网络外，该函数也可以训练任意形式的神经网络，其使用格式为： [net,TR,Ac,E1]=trainbfg(NET,Pd,T1,Ai,Q,TS,VV,TV) 其中，NET为待训练的神经网络；Pd为有延迟的输入向量；T1为层次目标向量；Ai为初始的延迟条件；Q为批量；TS为时间步长；VV用于确认向量结构或者为空；TV用于检验向量结构或者为空；net为训练后的神经网络；TR为每步训练的有信息记录，包括：TR.epoch——时刻点，TR.perf——训练性能，TR.vperf——确认性能，TR.tperf——检验性能；Ac为上一步训练中聚合层的输出；E1为上一步训练中的层次误差。 BP网络默认训练参数 参数名 功能 缺省值 net.trainParam.goal 目标函数设定值 0 net.trainParam.epochs 最大迭代次数 100 net.trainParam.show 显示中间结果的周期 25 net.trainParam.time 训练时间，inf表示训练时间不限 inf net.trainParam.lr 整批学习的学习效率 0.01 net.trainParam.mc 势能学习规则traingdm的势能率 0.9 net.trainParam.min_grad 最小性能梯度 1e-6 net.trainParam.max_fail 最大确认失败次数 5 2、函数traingd 函数