数学建模-预测方法在数学建模中应用(2.ppt

* 学习效率的选定 学习效率参数net.trainparam.lr不能选择太大，否则出现算法不收敛的情况；也不能太小，否则会使训练时间太长，一般选定0.01~0.1之间的值，在根据训练过程中梯度变换也均方差变换值来确定 四、神经网络预测法-组建神经网络注意事项 * 实例1. 蠓虫分类问题的神经网络方法（1989年MCM竞赛题目 ） 生物学家试图对两种蠓虫（Af与Apf）进行鉴别，依据的资料 是触角和翅膀的长度，已经测得9只Af和6只Apf的数据如下： 9只Af 触角长：1.24 1.36 1.38 1.38 1.38 1.40 1.48 1.54 1.56 翅膀长：1.72 1.74 1.64 1.82 1.90 1.70 1.82 1.82 2.08 6只Apf 触角长：1.14 1.18 1.20 1.26 1.28 1.30 翅膀长：1.78 1.96 1.86 2.00 2.00 1.96 问题：（1）如何凭借原始资料(15 对数据,被称之为学习样本)制 定一种方法,正确区分两类蠓虫; （2）依据确立的方法,对以下三个样本： (1.24,1.80)，(1.28,1.84)，(1.40,2.04)加以识别 * 解法一：建立两层BP神经网络如下： 隐层节点可适量选取（没有具体标准）。X= 为输入矩阵， x1对应于触角长， x2对应于翅膀长。Y= 为输出矩阵 规定Af对应的应有输出为 ， Apf对应的应有输出为 输 入 层 隐 层 输 出 层 * 以上神经网络模型的MATLAB程序如下： x=[1.24 1.36 1.38 1.38 1.38 1.40 1.48 1.54 1.56 1.14 1.18 1.20 1.26 1.28 1.30 1.72 1.74 1.64 1.82 1.90 1.70 1.82 1.82 2.08 1.78 1.96 1.86 2.00 2.00 1.96]; %原始数据 x=x-1.1; %数据标准化 y=[0 0 0 0 0 0 0 0 0 1 1 1 1 1 1;1 1 1 1 1 1 1 1 1 0 0 0 0 0 0]; %应有的输出 net=newff([0,1;0 1],[5,2],{tansig,tansig}); %建立两层前向神经网络 %net.trainParam.goal=0.0000001; %设定训练误差 net.trainParam.epochs=2000; %设定最大训练步数 net=train(net,x,y); %训练网络 y1=sim(net,x) %输出数据 yy=sim(net,[1.24 1.28 1.40;1.80 1.84 2.04]) %数据泛化 * 解法二：建立单层感知器模型如下： X= 为输入矩阵，x1对应于触角长， x2对应于翅膀长。 Y= 为输出矩阵，规定Af对应的应有输出为 ， Apf对应的应有输出为 输 入 层 输 出 层 * 以上神经网络模型的MATLAB程序如下： x=[1.24 1.36 1.38 1.38 1.38 1.40 1.48 1.54 1.56 1.14 1.18 1.20 1.26 1.28 1.30 1.72 1.74 1.64 1.82 1.90 1.70 1.82 1.82 2.08 1.78 1.96 1.86 2.00 2.00 1.96]; %原始数据 x=x-1.1; %数据标准化 y=[0 0 0 0 0 0 0 0 0 1 1 1 1 1 1;1 1 1 1 1 1 1 1 1 0 0 0 0 0 0]; %应有的输出 net=newp(minmax(x),2); %建立单层两节点感知器模型 %net.trainParam.goal=0.0000001; %设定训练误差 net.trainParam.epochs=200; %设定最大训练步数 net=train(net,x,y); %训练网络 y1=sim(net,x) %输出数据 yy=sim(net,[1.24 1.28 1.40;1.80 1.84