BP神经网络教学探究.ppt

数据挖掘 ——BP神经网络;内容;神经网络概述;导言;脑神经信息活动的特征;神经网络研究的发展;神经网络研究的发展;神经网络研究的发展;生物神经元模型;神经元模型;典型的激活函数;神经网络拓扑结构;什么是学习？;什么是监督？;监督学习与非监督学习的区别;神经网络的分类;BP神经网络;简介;网络结构;其它一些特点;BP学习算法思想;如何改变网络连接权值？;算法原理：误差修正的公式推导;输出结点的误差：;对wij的偏导数：;令;BP算法总结;(3)从后向前对各隐藏层结点 ，计算误差;源代码分析示例;几个问题;几个问题;BP神经网络学习算法的MATLAB实现 ;newff() 功能 建立一个前向BP网络 格式 net = newff(PR，[S1 S2...SN1]，{TF1 TF2...TFN1}，BTF，BLF，PF) 说明 net为创建的新BP神经网络；PR为输入的取值范围矩阵；[S1 S2…SNl]表示网络隐含层和输出层神经元的个数；{TFl TF2…TFN1}表示网络隐含层和输出层的传输函数，默认为‘tansig’；BTF表示网络的训练函数，默认为‘trainlm’；BLF表示网络的权值学习函数，默认为‘learngdm’；PF表示性能数，默认为‘mse’。 ;tansig() 功能 正切sigmoid激活函数 格式 a = tansig(n) 说明 双曲正切Sigmoid函数把神经元的输入范围从(-∞，+∞)映射到(-1，1)。它是可导函数，适用于BP训练的神经元。 logsig() 功能 对数Sigmoid激活函数 格式 a = logsig(N) 说明对数Sigmoid函数把神经元的输入范围从(-∞，+∞)映射到(0，1)。它是可导函数，适用于BP训练的神经元。;例，下表为某药品的销售情况:;%以每三个月的销售量经归一化处理后作为输入 P=[0.5152 0.8173 1.0000 ; 0.8173 1.0000 0.7308; 1.0000 0.7308 0.1390; 0.7308 0.1390 0.1087; 0.1390 0.1087 0.3520; 0.1087 0.3520 0.0000]’; %每个输入实例对应一列，故转置 %以第四个月的销售量归一化处理后作为目标向量 T=[0.7308 0.1390 0.1087 0.3520 0.0000 0.3761]; %创建一个BP神经网络，每一个输入向量的取值范围为[0 ,1]，隐含层有5个神经%元，输出层有一个神经元，隐含层的激活函数为tansig，输出层的激活函数为%logsig，训练函数为梯度下降函数，即前述的标准学习算法 net=newff([0 1;0 1;0 1],[5,1],{tansig,logsig},traingd); net.trainParam.epochs=15000; %设置最大迭代次数 net.trainParam.goal=0.01; %设置目标精度 net.trainParam.lr=0.1; %设置学习速率为0.1 net=init(net); %初始化权重 net=train(net,P,T); x=[0.3520 0.0000 0.3761; %输入测试集 0.0000 0.3761 0.0196; 0.3761 0.0196 0.5062]; y=sim(net,x) % 输出结果 Result=y*(2600-1480)+1480 %结果还原 ;问题与讨论