人工神经网络分析编程实现.docVIP

人工神经网络分析编程实现 神经网络 BP网络的特点 网络实质上实现了一个从输入到输出的映射功能，而数学理论已证明它具有实现任何复杂非线性映射的功能。这使得它特别适合于求解内部机制复杂的问题。我们无需建立模型，或了解其内部过程，只需输入，获得输出。只要BPNN结构优秀，一般20个输入函数以下的问题都能在50000次的学习以内收敛到最低误差附近。而且理论上，一个三层的神经网络，能够以任意精度逼近给定的函数，这是非常诱人的期望； 网络能通过学习带正确答案的实例集自动提取“合理的”求解规则，即具有自学习能力； 网络具有一定的推广、概括能力。 bp主要应用 回归预测（可以进行拟合，数据处理分析，事物预测，控制等） 分类识别（进行类型划分，模式识别等） BP注意问题 BP算法的学习速度很慢，其原因主要有： a 由于BP算法本质上为梯度下降法，而它所要优化的目标函数又非常复杂，因此，必然会出现“锯齿形现象”，这使得BP算法低效； b 存在麻痹现象，由于优化的目标函数很复杂，它必然会在神经元输出接近0或1的情况下，出现一些平坦区，在这些区域内，权值误差改变很小，使训练过程几乎停顿； c 为了使网络执行BP算法，不能用传统的一维搜索法求每次迭代的步长，而必须把步长的更新规则预先赋予网络，这种方法将引起算法低效。 网络训练失败的可能性较大，其原因有： a 从数学角度看，BP算法为一种局部搜索的优