人工神经网络bp算法实验报告 - read.doc

人工神经网络实验报告 实验题一、试用人工神经网络BP算法训练一个网络系统，使之能得到 y＝sin(x)，x∈(0,2π)的逼近曲线，并与期望曲线画在同一坐标纸上。 实验题二、试用人工神经网络BP算法训练一个网络系统，使之能得到 y＝x1⊕x2，其中x1，x2为0,1。 实验题三、现有如下所示一神经网络框架示意。已有160组4月份各部分的取值信息 试据此，对该神经网络进行建模。 引言: 从书中可知，模糊控制在处理数据、自学习能力等方面还远没有达到人脑的境界。因此需要从人脑的生理学和心理学着手，通过人工模拟人脑的工作激励来实现机器的部分智能行为。人工神经网络就是模拟人脑细胞的分布式工作特点和自组织功能实现并行处理、自学习和非线性映射等能力，是一种典型的智能控制方法。神经网络经历了近半个多世纪的研究和发展取得了重大的进展。神经网络系统实质上是由大量的，同时也是很简单的处理单元（或称神经元）广泛的互相连接而形成的复杂网络系统。它反映了人脑功能的许多基本特性，但它并不是人脑神经系统的真实写照，而只是对其作某种简化、抽象和模拟。神经网络系统是一个高度复杂的非线性动力学系统，虽然每一个神经元的结构和功能十分简单，但有大量神经元构成的网络系统的行为确实丰富多彩和十分复杂的。神经网络系统除了具备一般非线性动力学系统的共性之外，还有一些明显的特点：快速并行处理能力和自学能力。研究神经元网络系统主要有三个方面的内容：神经元模型、神经网络结构、神经网络学习方法。虽然神经网络的组成原理和结构都不尽相同，但是它们都具有学习能力。所谓学习是指神经元系统能根据某种学习方法调整它内部的参数以完成特定的任务的过程。 神经元是生物神经系统的最基本单元，其形状和大小是多种多样的。从组成结构方面来看，各种神经元是有共性的。神经元模型是生物神经元的抽象和模拟。它是模拟生物神经元的结构和功能、并从数学角度抽象出来的一个基本单元。它是神经网络单元的最基本的组成部分。在构造神经网络模型时，首先就要确定处理单元的各种特性。神经元一般是多输入-单输出的非线性器件。常用的神经元非线性特性有以下四种：（1）阈值型；（2）分段线性型；（3）Sigmoid函数型；（4）Tan函数型。 根据人工神经网络对生物神经系统的不同组织层次和抽象层次的模拟，神经网络模型可分为：（1）神经元层次模型；（2）组合式层次模型；（3）网络层次模型；（4）神经系统层次模型。目前神经网络模型的种类相当丰富，其中典型的有多层前向传播网络（BP网）、Hopfield网络、CMAC小脑模型、ART自适应共振理论、BAM双向联想记忆、SOM自组织网络、Blotzman机网络、Madaline网络等。神经网络的强大功能是通过神经元的互连而达到的。根据连接方式的不同，神经网络可分为以下四种：（1）前向网络；（2）反馈网络；（3）相互结合型网络；（4）混合型网络。 神经网络学习的过程实质上是针对一组给定输入是网络产生相应的期望输出的过程。根据不同的神经网络结构，学习方法主要有两大类：有导师指导下的学习和无导师指导下的学习。有导师学习就是在训练过程中，始终存在一个期望的网络输出。期望输出和实际输出之间的距离作为误差度量并用于调整权值。而舞蹈是学习值的是网络不存在一个期望的输出值，因而没有直接的误差信息，因此，为实现对网络的训练，需建立一个间接的评价函数，一对网络的某种行为趋向做出评价。学习规则根据连接权系数的改变方式不同又可分为如下三类：（1）相关学习；（2）纠错学习；（3）无导师学习。 原理： 本次实验所研究的是前向神经网络模型，即BP模型。前向神经网络是有一层或多层非线性处理单元组成的。相邻层之间通过突触权阵连接起来，其前一层的输出作为下一层的输入。在前向网络结构中输入输出之间包含着一层或多层隐含层。前向神经网络可以看成是一种一组输入模式到一组输出模式的系统变换，这种变换通过对与某一给定的输入样本相应的输出数据集的训练而得到。为了能实现这一行为，网络的突触权系数阵能在某种学习规则的指导下进行自适应学习。通常，前向网络的训练需要一组输入输出样本集，故又称为有导师指导下的学习。BP就是Error Back Propagation，实质上是梯度法的一种应用结果。 1)单一人工神经元可以看作是某一试图建立人工神经元和生物神经元之间的联系的动态模型的平衡状态。最简单的人工神经元是假设输入项Net有输入信号xj(j=1,2,…,n)的线性组合构成，即　　　　　　　　　　　 　　　n Net=θ0+∑ωjχj 　　　　　　　　　　　　j=1 式中，θ0为阈值；ωj是决定第j个输入的突触权系数。 n y=σ(θ0+∑ωjχj