报告作业课件.pptVIP

1、bartlett维数检验 [ndim,prob,chi]=barttest(x,alpha) 用给定的显著性概率alpha，返回维数、显著性概率和卡方值，用于解释x数据矩阵的非随即变化特征。维数由一系列假设检验确定。假设ndim=1的检验是检验与每个因子一起的方差是否相等；ndim=2的检验则检验第2个因子至最后一个因子一起的方差是否相等，依此类推。 2、使用协方差矩阵进行主成分析 [pc,latent,explained]=pcacov(X) 利用协方差矩阵X，返回主要因子pc、协方差矩阵的特征值latent、观测量中每一个特征向量所解释的总方差百分比explained。 clear load hald covx = cov( ingredients ) [pc,variances,explained] = pcacov( covx ) 3、计算源于主成分析的残差 pcares(X, ndim) 通过保留X的ndim个因子成分来获得残差，注意，ndim为标量并且必须小于X的列数。将数据矩阵、协方差和该函数一起使用。 人工神经网络 人工神经网络是集脑科学、神经心理学和信息科学等多学科的交叉研究领域，是近年来高科技领域的一个研究热点。它的研究目标是通过研究人脑的组成机理和思维方式，探索人类智能的奥秘，进而通过模拟人脑的结构和工作模式，使机器具有类似人类的智能。 人工神经网络以其具有自学习、自组织、较好的容错性和优良的非线性逼近能力，受到众多领域学者的关注。在实际应用中，80%～90%的人工神经网络模型是采用误差反传算法或其变化形式的网络模型（简称BP网络），目前主要应用于函数逼近、模式识别、分类和数据压缩或数据挖掘。 人工神经元模型与人工神经网络模型 人工神经元是一个多输入、单输出的非线性元件，如图1所示。 其输入、输出关系可描述为 式中， 是从其它神经元传来的输入信号； 是阈值； 表示从神经元 到神经元 的连接权值； 为传递函数。 人工神经元模型与人工神经网络模型 人工神经网络是由大量的神经元互连而成的网络，按其拓扑结构来分，可以分成两大类：层次网络模型和互连网络模型。 BP算法 BP算法是前向神经网络经典的有监督学习算法，它的提出，对前向神经网络的发展起过历史性的推动作用。对于上述的M层的人工神经网络，BP算法可由下列迭代式描述，具体推导可参见神经网络的相关书目。 其中， 为学习率。 前馈型BP网络即误差逆传播神经网络是最常用、最流行的神经网络。BP网络的输入和输出关系可以看成是一种映射关系，即每一组输入对应一组输出。由于网络中神经元作用函数的非线性，网络实现是复杂的非线性映射。 三层BP网络程序 1. 构造网络 net = newff(minmax(p1),[NodeNum TypeNum],{TF1 TF2},trainlm); % TF1 = tansig;TF2 = purelin; % 缺省值 % TF1 = tansig;TF2 = logsig; %TF1 = logsig;TF2 = purelin; %TF1 = tansig;TF2 = tansig; %TF1 = logsig;TF2 = logsig; % TF1 = purelin;TF2 = purelin; %net.trainFcn = trainlm; % 内存使用最多（快） %net.trainFcn = trainbfg; %net.trainFcn = trainrp; % 内存使用最少（慢） %net.trainFcn = traingda; % 变学习率 %net.trainFcn = traingdx; 2. 训练与测试 net = train(net,p1,t1); % 训练 X = sim(net,P); % 测试 - 输出为预测值 基本BP网络的拓扑结构 b1 bi a1 c1 cq cj ah bp an … … … … … … Wp1 Wiq Wpj W1q W1j Wij V11 W11 Wpq Wi1 Vh1 Vhi V1i Vn1 Vni V1p Vhp Vnp 输出层LC 隐含层LB 输入层LA W V BP网络建模特点： 并行分布处理方式：在神经网络中信息是分布储存和并行处理的，这使它具有很强的容错性和很快的处理速度。 非线性映射能力：神经网络能以任意精度逼近任何非线性连续函数。在建模过程中的许多问题正是具有高度的非线性。 自学习和自适应能力：神