lhd神经收集基于BP收集的多层感知器实验报告.doc

神经网络及应用实验报告 实验二、基于BP网络的多层感知器 一：实验目的： 1. 理解多层感知器的工作原理 2. 通过调节算法参数了解参数的变化对于感知器训练的影响 3. 了解多层感知器局限性 二：实验原理： BP的基本思想：信号的正向传播 误差的反向传播 –信号的正向传播：输入样本从输入层传入，经各隐层逐层处理后，传向输出层。 –误差的反向传播：将输入误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号来作为修正各单元权值的依据。 基本BP算法的多层感知器模型： 2.BP学习算法的推导： 当网络输出与期望输出不等时，存在输出误差E 将上面的误差定义式展开至隐层，有 进一步展开至输入层，有 调整权值的原则是使误差不断地减小，因此应使权值的调整量与误差的梯度下降成正比，即 η∈(0,1)表示比例系数，在训练中反应学习速率 BP算法属于δ学习规则类，这类算法被称为误差的梯度下降（Gradient Descent）算法。 实验步骤 1. 用Matlab编程，实现解决该问题的单样本训练BP网络，设置一个停止迭代的误差Emin和最大迭代次数。在调试过程中，通过不断调整隐层节点数，学习率η，找到收敛速度快且误差小的一组参数。产生均匀分布在区间[-4，4]的测试样本，输入建立的模型得到输出，与Hermit多项式的期望输出进行比较计算总误差（运行5次，取平均值），并记录下每次迭代结束时的迭代次数。 （要求误差计算使用RME，Emin 设置为0.1） 程序如下： function dyb %单样本程序 clc; close all; clear; load shengwu2_train.mat yuzhi=0.1;%阈值 j=input(请输入隐层节点数 j = );%隐层节点数 n=input(请输入学习效率 n = );%学习效率 w=rand(1,j); w=[yuzhi,w]; %输出层阈值 v=rand(2,j); v(1,:)=yuzhi;%隐层阈值 err=zeros(1,101); wucha=0; zhaosheng=0.01*randn(1,101);%噪声 erro=[]; ERRO=[];%误差，为画收敛曲线准备 Emin=0.1; d=zeros(1,101); for m=1:101 d(m)=hermit(x(m,2));%期望 end; o=zeros(1,101); netj=zeros(1,j); net=zeros(1,j); p=1; q=1; azc=0; acs=0; for z=1:5 while q30000 Erme=0; for p=1:101 y=zeros(1,j); for i=1:j netj(1,i)=x(p,:)*v(:,i); y(1,i)=1/(1+exp(-netj(1,i))); end; y=[-1 y]; o(p)=w*y+zhaosheng(p);%噪声 wucha = d(p)-o(p); err(1,p)=1/2*wucha^2; erro=[erro,wucha]; for m=1:j+1 w(1,m)=w(1,m)+n*wucha*y(1,m); end; for m=1:j v(:,m)=v(:,m)+n*wucha*w(1,m)*y(1,m)*(1-y(1,m))*x(p,:); end q=q+1; end; for t=1:101; Erme=Erme+err(1,t); end; err=zeros(1,101); Erme=sqrt(Erme/101); ERRO=[ERRO,Erme];