BP神经网络在分类与预测中的应用解析.pptxVIP

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;BP神经网络在分类与预测中的应用;BP神经网络在分类与预测中的应用;BP神经网络在分类与预测中的应用;BP神经网络在分类与预测中的应用;BP神经网络在分类与预测中的应用;BP神经网络在分类与预测中的应用;BP神经网络在分类与预测中的应用;1.1.6 ANN研究的目的和意义;1.1.6 ANN研究的目的和意义;1.1.6 ANN研究的目的和意义;1.1.6 ANN研究的目的和意义;1.1.6 ANN研究的目的和意义;BP神经网络在分类与预测中的应用;BP神经网络在分类与预测中的应用;BP神经网络在分类与预测中的应用;BP神经网络在分类与预测中的应用;BP神经网络在分类与预测中的应用;BP神经网络在分类与预测中的应用;BP神经网络在分类与预测中的应用;BP神经网络在分类与预测中的应用;BP神经网络在分类与预测中的应用;BP神经网络在分类与预测中的应用;BP神经网络在分类与预测中的应用;BP神经网络在分类与预测中的应用;BP神经网络在分类与预测中的应用;;(1) 激活函数(传输函数） 必须处处可导 一般都使用S型函数 ;(2)使用S型激活函数时BP网络输入与输出关系;;BP神经网络在分类与预测中的应用;1.2.4 BP网络的标准学习算法;1.2.4 BP网络的标准学习算法; A. 正向传播 输入样本－－－输入层－－－各隐层－－－输出层 B. 判断是否转入反向传播阶段 若输出层的实际输出与期望的输出（教师信号）不符. C. 误差反传 误差以某种形式在各层表示－－－－修正各层单元的权值. D. 网络输出的误差减少到可接受的程度 进行到预先设定的学习次数为止;(6) 网络结构 输入层有n个神经元，隐含层有p个神经元, 输出层有q个神经元 (7) 变量定义 ;;(8) 算法步骤;(8) 算法步骤;(8) 算法步骤; 第五步， 利用隐含层到输出层的连接权值、 输出层的 和隐含层的输出计算误差函数对隐含层各神经元的偏导数 。;(8) 算法步骤; 第六步，利用输出层各神经元的 和隐含层各神经元的输出来修正连接权值 。; 第七步，利用隐含层各神经元的 和输入层各神经元的输入修正连接权。 ; 第八步，计算全局误差 第九步，判断网络误差是否满足要求。当误差达到预设精度或学习次数大于设定的最大次数，则结束算法。否则，选取下一个学习样本及对应的期望输出，返回到第三步，进入下一轮学习。 ;who;;BP神经网络在分类与预测中的应用;函 数 名;1.2.4 BP网络学习算法的MATLAB实现 ;tansig( ) 功能 正切sigmoid激活函数 格式 a = tansig(n) 说明 双曲正切Sigmoid函数把神经元的输入范围从(-∞，+∞)映射到(-1，1)。它是可导函数，适用于BP训练的神经元。 logsig( ) 功能 对数Sigmoid激活函数 格式 a = logsig(n) 说明 对数Sigmoid函数把神经元的输入范围从(-∞，+∞)映射到(0，1)。它是可导函数，适用于BP训练的神经元。;net.trainParam.epochs：最大训练步数。不过当误差准则满足时，即使没达到此步数也停止训练。缺省为100。 net.trainParam.goad：网络误差准则，当误差小于此准则时停止训练，缺省为0。 net.trainFcn：训练算法。缺省为 ’trainlm’，即Levenberg-Marquardt算法。还可使用‘traingdx’，即带动量的梯度下降算法；’traincgf’，即共轭梯度法。 其它可看matlab帮助:help-contents- Neural Network Toobox- Network Object Reference; help(net.trainFcn);1.2.4 BP网络学习算法的MATLAB实现 ; 例 下表为某药品的销售情况，;%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;