B神经网络及简单示例.ppt

输入层 输出层 中间层 i j k 输出层: 输入 输出 输入层 输出层 中间层 i j k 思路： 1、触角长和翼长作为输入信息，分别记为x1,x2。 目标输出：(0,1) 、(1,0)。 Af类记为 (1,0)，Apf类记为(0,1)。 输入层 输出层 中间层 i j k 输入层 输出层 中间层 i j k 2、通过已知样本训练出合适的权值 使输出为(0,1)或(1,0)。 3、将待区分的蠓虫数据输入网络，求值。 权值求法：向后传播法 理想输出 Af类(1,0)，Apf类(0,1)记为 { Tis}则有误差： 使得E(w)最小的 作为所需的权值 传递函数(激活函数) logsig(S型函数)： MATLAB按此函数计算： 调用格式：A=logsig(N) 如： n=-10:0.1:10 a=logsig(n) plot(n,a) grid on 图形如下： tansig(双曲正切S型传递函数)： 调用格式：A=tansig(n) 如： n=-10:0.1:10 a=tansig(n) plot(n,a) grid on 如右图所示 newff 创建一个BP网络，其调用格式为： net=newff net=newff(PR,[S1 S2 …SN1],{TF1 TF2…TFN1},BTF,BLF,PF) 其中， net=newff ：用于在对话框中创建一个BP网络 PR ：由每组输入(共有R组输入)元素的最大值和最小值组成的R×2维的矩阵； Si ：第i层的长度，共计N1层 TFi：第i层的传递函数，默认为“tansig” BTF：BP网络的训练函数，默认为“trainlm”; BLF：权值和阈值的BP学习算法，默认为“learngdm” PF：网络的性能函数，默认为“mse” 常用函数 train 用于对神经网络进行训练。调用格式为： [net,tr,Y,E,Pf,Af]=train(NET,P,T,Pi,Ai) 其中， NET：待训练的神经网络； P：网络的输入信号； T：网络的目标，默认值为0； Pi：初始的输入延迟，默认为0； Ai：初始的层次延迟，默认为0； net：函数返回值，训练后的神经网络； tr：函数返回值，训练记录(包括步数和性能)； Y：函数返回值，神经网络的输出信号； E：函数返回值，神经网络的误差； Pf：函数返回值，最终输入延迟； Af：函数返回值，最终层延迟。 神经网络仿真函数sim 调用格式为： [Y,Pf,Af,E,perf]=sim(net,P,Pi,Ai,T) 其中， Y：函数返回值，网络输出； Pf：函数返回值，最终输出延迟； Af：函数返回值，最终的层延迟； E：函数返回值，网络误差； perf：函数返回值，网络性能； net：待仿真的神经网络； P：网络输入； Pi：初始输入延迟，默认为0； Ai：初始的层延迟，默认为0； T：网络目标，默认为0. clear p1=[1.24,1.27;1.36,1.74;1.38,1.64;1.38,1.82;1.38,1.90; 1.40,1.70;1.48,1.82;1.54,1.82;1.56,2.08]; p2=[1.14,1.82;1.18,1.96;1.20,1.86;1.26,2.00 1.28,2.00;1.30,1.96]; p=[p1;p2]; pr=minmax(p); goal=[ones(1,9),zeros(1,6);zeros(1,9),ones(1,6)]; plot(p1(:,1),p1(:,2),h,p2(:,1),p2(:,2),o) net=newff(pr,[3,2],{logsig,logsig}); net = train(net,p,goal); x=[1.24 1.80;1.28 1.84;1.40 2.04]; y0=sim(net,p) y=sim(net,x) Thanks ! THANK YOU SUCCESS * * 可编辑 可编辑 可编辑 神 经 网 络 ——浅尝 数学建模工作室 张敏 神经网络浅尝 神经网络基础知识 常用函数介绍 案例——蠓虫分类 神经网络基础知识 构成：大量简单的基本元件——神经元相互连接 工作原理：模拟生物的神经处理信息的方式 功能：进行信息的并行处理和非线性转化 特点：比较轻松地实现非线性映射过程 具有大规模的计算能力 医学：疾病识别 图像：识别、去噪、增强、配准、融合 金融：股票和有价证券的预测分析、资本收益的预测和分析、风险管理、信用评估等等 应用范围 神经网络结构图 输入层