人工神经网络编程实现解读.doc

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化方法，但它要解决的问题为求解复杂非线性函数的全局极值，因此，算法很有可能陷入局部极值，使训练失败； b 网络的逼近、推广能力同学习样本的典型性密切相关，而从问题中选取典型样本实例组成训练集是一个很困难的问题。 网络结构的选择： 尚无一种统一而完整的理论指导，一般只能由经验选定。为此，有人称神经网络的结构选择为一种艺术。而网络的结构直接影响网络的逼近能力及推广性质。因此，应用中如何选择合适的网络结构是一个重要的问题。 4、新加入的样本要影响已学习成功的网络，而且刻画每个输入样本的特征的数目也必须相同。 5、采用s型激活函数，由于输出层各神经元的理想输出值只能接近于1或0，而不能打到1或0，因此设置各训练样本的期望输出分量Tkp时，不能设置为1或0，设置0.9或0.1较为适宜。 网络的泛化能力 一个神经网路是否优良，与传统最小二乘之类的拟合评价不同（主要依据残差，拟合优度等），不是体现在其对已有的数据拟合能力上，而是对后来的预测能力，既泛化能力。 网络的预测能力（也称泛化能力、推广能力）与训练能力（也称逼近能力、学习能力）的矛盾。一般情况下，训练能力差时，预测能力也差，并且一定程度上，随训练能力地提高，预测能力也提高。但这种趋势有一个极限，当达到此极限时，随训练能力的提高，预测能力反而下降，即出现所谓“过拟合”现象。此时，网络学习了过多的样本细节，而不能反映样本内含的规律。 过拟合 神经网络计算不能一味地追求训练误差最小，这样很容易出现“过拟合”现象，只要能够实时检测误差率的变化就可以确定最佳的训练次数，比如15000次左右的学习次数，如果你不观察，设成500000次学习，不仅需要很长时间来跑，而且最后结果肯定令人大失所望。 避免过拟合的一种方法是：在数据输入中，给训练的数据分类，分为正常训练用、变量数据、测试数据。其中变量数据，在网络训练中，起到的作用就是防止过拟合状态。 学习速率 学习速率这个参数可以控制能量函数的步幅，并且如果设为自动调整的话，可以在误差率经过快速下降后，将学习速率变慢，从而增加BPNN的稳定性。 代码: DEnet.trainFcn = traingda; % 变学习率梯度下降算法 net.trainFcn = traingdx; % 变学习率动量梯度下降算法DE 代码: DEp = [-1 -1 2 2; 0 5 0 5]; t = [-1 -1 1 1]; net = newff(p,t,3,{},traingda); net.trainParam.lr = 0.05; net.trainParam.lr_inc = 1.05; net = train(net,p,t); y = sim(net,p)DE 9.神经网络的权值和阈值 权值和阈值是神经元之间的连接，将数据输入计算出一个输出，然后与实际输出比较，误差反传，不断调整权值和阈值。 引用: p1=[1 1 -1]; p2=[1 -1 -1]; 这里用单层神经元感知器，假设初始权值 代码: DEw=[0.2 0.2 0.3]DE 同时假设初始阀值 代码: DEb=-0.3DE 输出 a1 a2 代码: DEa1=hardlims(w*p1+b) a2=hardlims(w*p2+b)DE 如果不能分开，还须不断调整w,b 用BP逼近非线性函数，如何提高训