机器学习课程设计..docVIP

一、神经网络BP算法介绍 引言 人工神经网络（Artificial Neural Networks，ANN）提供了一种普遍而且实用的方法从样例中学习值为实数、离散值或向量的函数。像方向传播（BACKPTPAGATION）这样的算法，实用梯度下降来调节网络参数以最佳拟合由输入-输出对组成的训练集合。ANN学习对于训练数据中的错误健壮性很好，且已成功地应用到很多领域。例如，本文将要描述的反向传播算法已在很多实际的问题中取得惊人的成功，比如学习识别人脸。 （一）神经网络表示 Pomeleau（1933）的ALVINN系统是ANN学习的一个典型实例，这个系统使用一个学习到的ANN以正常的速度在高速公路上驾驶汽车。ANN的输入是一个30*32像素的网格，像素的亮度来自一个安装在车辆上的前向摄像机。ANN的输出是车辆行进的方向。ALVINN用学习到的网络在高速公路上以70英里时速成功地驾驶了90英里。 书上图4-1 ALVINN系统使用反向传播算法来学习驾驶汽车。左图显示了来自车前摄像机的图像是如何被映射到960个神经网络输入的，这些输入又前馈到4个隐藏单元，再连接到30个输出单元，每个输出单元对应一个特定的驾驶方向，这些单元的输出值决定哪一个驾驶方向被最强烈推荐（即该方向权值最大）。 （二）BP算法权值及阈值调整公式 （三）matlab神经网络工具箱