BP神经网络模型教案［PPT课件］.ppt

BP神经网络学习算法的MATLAB实现 %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;]; %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，即上面所描述的标准学习算法 net=newff([0 1;0 1;0 1],[5,1],{tansig,logsig},traingd); net.trainParam.epochs=15000; net.trainParam.goal=0.01; %设置学习速率为0.1 LP.lr=0.1; net=train(net,P,T); BP神经网络学习算法的MATLAB实现 BP网络应用于药品预测对比图 由对比图可以看出预测效果与实际存在一定误差，此误差可以通过增加运行步数和提高预设误差精度业进一步缩小 BP神经网络的特点 非线性映射能力 能学习和存贮大量输入-输出模式映射关系，而无需事先了解描述这种映射关系的数学方程。只要能提供足够多的样本模式对供网络进行学习训练，它便能完成由n维输入空间到m维输出空间的非线性映射。 泛化能力 当向网络输入训练时未曾见过的非样本数据时，网络也能完成由输入空间向输出空间的正确映射。这种能力称为泛化能力。 容错能力 输入样本中带有较大的误差甚至个别错误对网络的输入输出规律影响很小。 谢谢！ 神经网络概述 人工神经网络ANN（artificial neural network)是20世纪80年代才日益受到人们重视的一种新的人工智能计算方法。由于它模拟了人脑的思维模式，即具有一定的智能，且的确能解决许多用传统方法不能或难于解决的复杂问题，使之更加精确化，如更精确的分类、非线性规划的求解、著名的“旅行员推销问题”的解决等（注：在近年来的实际应用，尤其在大学生数学建模竞赛中许多获奖队在解决问题是均是以运用神经网络方法作为成功的法宝，如2000年A题中国科技大学5个队获全国一等奖，运用的均是神经网络方法）。 神经网络概述 人的大脑约由 个神经细胞(也称神经元）组成，细胞之间通过树突和轴突互相连接，构成纵横交错的网络结构。神经细胞通过突触互相交换信息，树突用来接受神经冲动，轴突分化出的神经末梢则可传出神经冲动。由于输出端只有两个状态：兴奋态与抑制态。因此，一个神经元就是一个简单的系统，或者说是一个逻辑元件。下图表示它的数学模型，这里 是输入， 是输出， 是神经元内部状态。特别要说明的是，每个神经元都有一个特殊的参数 神经网络概述 称为阈值，它是输出的一个临界值，直接影响神经元的内部状态。 人们的记忆和智能并不是储存在单个脑细胞中，而是储存在脑细胞之间互相连接的网络之中，这称为分布式存储方式。这样一种“分布方式”并不因单个脑细胞的死亡而消失。人们通过学习可以不断地改变脑细胞之间的连接方式，使这个网络的功能不断提高。模仿神经细胞的结构，人们设计了种种人工神经网络，如感知器、BP网络、自组织网络等。 神经网络概述 神经网络概述 人工神经网络的基本工作原理是：对于每个神经元，假设它有 个输入，输入值为 那么，它的输出值就是 ，这里， 是等待确定的权重系数，简称权值。 是一个函数，它有几种典型选法。一种常用的函数是Sigmoid函数。 神经元网络工作的全部秘密就在于它的权重值， BP神经网络概述 Rumelhart，McClelland于1985年提出了BP网络的误差反向后传BP(Back Propagation)学习算法 BP算法基本原理 利用输出后的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差，如此一层一层的反传下去，就获得了所有其他各层的误差估计。 J. McClelland David Rumelhart BP神经网络模型 三层BP网络 BP神经网络模型 激活函数 必须处处可导 一般都使用S型函数 使用S型激活函数时BP网络输入与输出关系 输入 输出 BP神经网络模型 输出的导数 根据S型