BP网络以及深度学习分析.doc

神经网络 1 BP网 图：三层BP网 信号正向传播和误差反向传播 k=1,2……l 有l个输出（l常常为1）。 中间隐层有m层： i=1,2,……m n个输入。j=1,2……m 其中Sigmoid函数： （单极性） 1.1 计算流程 不同样本误差： E=((T-Ok)*(T-Ok))/2; 一般使用 1.2 影响参数: 1.2.1 隐层节点数 nn= +a，其中 m 为输出神经元数， n 为输入神经元数， a 为[1，10]之间的常数。 nn= nn=2n+1; nn= 1.2.2 学习率 学习率，太大会影响训练稳定性，太小使训练收敛速度慢。一般在0.01--0.8之间。我取0.2 Emin一般在0.1--之间。 1.3 样本/输入 1.3.1 训练样本 训练样本数：M，为权值阈值总数，一般为连接权总数的5~10倍。 训练数据必须作平衡处理，不同类别的样本需要交叉输入，轮流输入--时间延长。 1.3.2 输入形式 字符：形状格填充、边缘距离 曲线：采样 变化大可以密集采样 输出： 不同的输出用不同的码表示 1.3.3 归一化： 样本分布比较均匀 [0,1]区间： [-1,1]区间： 其中 不均匀：对数 平方根 [coef,score,latent,t2] = princomp(x);（个人观点）： x：为要输入的n维原始数据。带入这个matlab自带函数，将会生成新的n维加工后的数据（即score）。此数据与之前的n维原始数据一一对应。 score：生成的n维加工后的数据存在score里。它是对原始数据进行的分析，进而在新的坐标系下获得的数据。他将这n维数据按贡献率由大到小排列。（即在改变坐标系的情况下，又对n维数据排序） latent：是一维列向量，每一个数据是对应score里相应维的贡献率，因为数据有n维所以列向量有n个数据。由大到小排列（因为score也是按贡献率由大到小排列）。 coef：是系数矩阵。通过cofe可以知道x是怎样转换成score的。 1.4 权值/阈值 1.4.1 初始权值 初始权值足够小，初始值为1和-1的权值数相等。 1.4.2 权值学习算法 P99 traingd:标准梯度下降算法 traingdm:附加动量项 traingda:自适应学习速率，效果比上者好。 traingdx: 附加动量项、自适应学习速率 更好的算法如下： trainlm: trainscg: 权值学习算法 算法描述 traingd 标准BP traingda 可变学习率BP traingdm 附加动量的BP traingdx 附加动量、可变学习率BP traincgf Fletcher-Powell共轭梯度法 traincgp Polak-Ribiere共轭梯度法 traincgb Powell-Beale共轭梯度法 trainscg Scaled共轭梯度法 trainbfg BFGS拟牛顿法 trainoss 正割拟牛顿法 trainlm Levenberg-Marquardt法 trainrp 弹性BP 1.5 优化 1 提高训练速度：附加动量法： 其中 见P85 2 改为，一般=1 较大时，进入平坦区，令1 常用的改进方法有附加冲量项、自适应学习参数、模拟退火法等, 1.6 技巧 若show设为NaN ,则不显示训练过程 一篇论文中案例：初始权值不可过大过小。网络1的初始权值和偏差定为-0.25--0.25的随机数，网络2的定为-0.5--0.5的随机数。 目标误差：0.05 两个连续迭代过程平均相差小于， 样本数：200 1.7 常用函数归纳 1.7.1 train之前 net.trainParam.show=10; %show interval 25 %net.trainParam.showWindow=flase; net.trainParam.epochs=5000;%train times.default:10 net.trainParam.goal=0.0001;%0 net.trainParam.lr=0.2;%0.15 net.trainParam.max_fail=5;% max times of affirm failure net.trainParam.min_grad=1e-10;%min gradient net.trainParam.time=inf;%max train time net.trainParam.mc=0.95; %momentum factor when use traingdm,default:0.9 1.7.2