BP神经网络的应用解析.pptVIP

三、光催化臭氧氧化处理自来水 BP神经网络在分类与预测中的应用 实验号 臭氧浓度(mg/L) 入口UV254 UV254去除率(%) 1 1.42 0.086 58.1 2 2.51 0.071 78.8 3 3.21 0.107 89.6 4 4.29 0.096 96.5 5 5.24 0.65 97.8 检验样本 三、光催化臭氧氧化处理自来水 BP神经网络在分类与预测中的应用 网络结构 网络分为4层。各层节点数分别为：输入层2个；第一隐层12个；第二隐层6个；输出层1个。 BP网络模型 输入层 输出层 隐层1 臭氧浓度 入口UV254 UV254去除率 隐层2 一、 BP神经网络 二、 徽章的分类 三、光催化臭氧氧化处理自来水 BP神经网络在分类与预测中的应用 三层BP网络的拓扑结构 BP神经网络模型 (1) 激活函数(传输函数） 必须处处可导 一般都使用S型函数 Sigmoid函数 对数Sigmoid函数 1.2.3 BP神经网络模型 (2)使用S型激活函数时BP网络输入与输出关系 1.2.3 BP神经网络模型 传输函数 输入 输出 (2)使用S型激活函数时BP网络输入与输出关系 1.2.3 BP神经网络模型 输出的导数 根据S型激活函数的图形可知,对神经网络进行训练，应该将net的值尽量控制在收敛比较快的范围内. 输入 输出 例 下表为某药品的销售情况， 月份 1 2 3 4 5 6 销量 2056 2395 2930 2298 1634 1600 月份 7 8 9 10 11 12 销量 1873 1478 1900 1500 2046 1556 BP网络学习算法的MATLAB实现 现构建一个如下的三层BP神经网络对药品的销售进行预测：输入层有三个结点,隐含层结点数为5，隐含层的激活函数为tansig；输出层结点数为1个,输出层的激活函数为logsig,并利用此网络对药品的销售量进行预测,预测方法采用滚动预测方式,即用前三个月的销售量来预测第四个月的销售量,如用1、2、3月的销售量为输入预测第4个月的销售量,用2、3、4月的销售量为输入预测第5个月的销售量.如此反复直至满足预测精度要求为止。 %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 0.1065; ?]; %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 0.1065 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. 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); 1.2.4 BP网络学习算法的MATLAB实现 (2) 实例 1.2.4 BP网络学习算法的MATLAB实现 BP网络应用于药品预测对比图 (2) 实例 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使其进一步缩小 徽章问题是一个典型的分类问题。我们可以用一个具体的例子描述：在某个国际会议上，参加会议的280名代表每人收到会议组织者发给一枚徽章，徽章的标记为“＋”或“－”。会议的组织者声明：每位代表得到徽章“＋”或“－”的标记只与他们的姓名有关，并希望代表们能够找出徽章“＋”与“－”的分类方法。由于客观原因，有14名代表没能参加此次会议。按照代表们找出的方法判断，如果他们参加会议将得到的徽章类型。 徽章问题的背景 BP神经网络在分类与预测中的应用 二、徽章的分类 徽章 代表姓名 徽章 代表姓名 + Naoki Abe - Myriam Abramson + David W. Aha + Kamal M. Ali - Eric Allender + Dana Angluin + Minoru Asada - Chidanand A