基于BP神经网络的函数逼近的MATLAB实现.doc

2012-07-19#############2012-07-19######2#0#12-07-19########基于 B 2012-07-19#############2012-07-19######2#0#12-07-19######## 基于 B P神经网络的函数逼近的 MA TLAB 实现 冯 蓉 1 ,杨建华 2 ( 1. 延安大学 西安创新学院 ,陕西 西安 710100; 2. 长安大学 信息工程学院 ,陕西 西安 710064 ) 摘 要 : B P神经网络由于它的学习能力和非线性特性 ,使其能够对非线性函数进行很好的逼近 。通过 对 B P神经网络结构和 MA TLAB 软件及其 B P神经网络工具箱的应用研究 ,利用 B P神经网络工具箱设 计 B P神经网络 ,用于对非线性函数的逼近 ,通过网络的训练 、测试达到了预期的效果 。 关键词 : B P神经网络 ;神经网络工具箱 ;函数逼近 ; MA TLAB 软件 中图分类号 : TP183 文献标识码 : A 文章编号 : 1008 - 3871 ( 2007 ) 02 - 0020 - 03 以神经网络研究为开端 ,整个学术界对计算的 概念和作用有了新的认识和提高 。计算并不局限于 数学中 ,并不仅仅采取逻辑的 、离散的形式 ,而且大 量的运算表现在对模糊的低精度的模拟量的并行计 算 。对于后一类计算 ,传统的计算机无法施展其威 力 。神经网络的数学理论本质上是非线性的数学理 论 ,因此 ,现代非线性科学方面的进展必将推动神经 网络的研究 。同时 ,神经网络理论也会对非线性科 学提出新课题 。神经网络研究的对象是神经系统 , 这是高度进化的复杂系统 ,也是系统科学中一个重 要的领域 。神经网络尤其是 B P 神经网络由于它的 学习能力和非线性特性 ,使其能够对任意非线性函 数进行很好的逼近 。B P 网络的模型的实现需要掌 握计算机编程语言及较高的编程能力 ,这在一定程 度上不利于神经网络技术的推广和使用 。而 MA T2 LAB 软件提供了一个现成的神经网络工具箱 ,为解 决这个难题提供了条件 。它集数值分析 、矩阵运算 、 信号处理和图形显示于一体 ,构成了一个方便的 、界 面友好的用户环境 。目前 ,利用神经网络以及神经 网络与其它方法结合对非线性函数进行逼近的文章 也不少 ,理论及实现方法 ,各有千秋 [ 1 - 3 ] 。鉴于函数 逼近及 B P神经网络的这些特点 , 本文提出了基于 B P神经网络的函数逼近方法 ,利用 B P 神经网络工 具箱设计了 B P 神经网络 , 用于对非线性函数的逼 近 。通过网络的训练 、测试达到了预期的效果 。 1 B P神经网络的结构 [ 4 ] B P神经网络是一个具有三层或三层以上的阶 各层之间神经元无连接 。最基本的 B P 网络是三层 前馈网络 ,即输入层 ,隐含层和输出层 。 1. 1 B P 神经网络层数的选取 具有偏差和至少一 个 Sigmo id型隐含层加上一个线性输出层的网络 , 能够逼近任何有理函数 。增加层数主要可以更进一 步的降低误差 ,提高精度 ,但是同时也会增加网络的 复杂性 ,从而增加网络权值的训练时间 。增加隐含 层中的神经元节点数目也可以提高误差精度 ,其训 练效果也比增加层数更容易观察和调整 ,所以通常 状况下 ,应该优先考虑增加隐含层中的神经元节点 的数目 。 1. 2 网络输入层和输出层的设计 输入层起缓冲器 的作用 ,把数据源加到网络上 。其节点数目取决于 数据源的维数 。基于 B P 算法的神经元网络输出层 神经元可以根据需要求解的问题和数据表示的方式 而定 。在设计输入层和输出层时 ,应该尽可能的减 小系统规模 ,使系统的学习时间和复杂性减小 。 1. 3 B P神经网络隐含层节点的选择 基于 B P算法 的神经元网络中各层节点数目的选择对于网络性能 的影响很大 ,过多的隐含节点对网络的概括能力产 生不利影响 ,既影响网络对于新输入的适应性 。而 过少的隐含层节点数目会影响网络学习的精度 ,并 且是网络学习出现局部极小的情况增多 ,所以节点 的数目要选择恰当 。常用的解决办法就是使隐含层 数目可变 。一种是开始放入足够的隐含单元 ,然后 把学习后的那些不起作用的隐含层单元逐步去掉 , 一直减少到不可收缩为止 。另一种是开始放入比较 2012层-0神7经-网1络9,上#下#层#之#间#各#种##神#经#元#实#行#权2连0接1,而2-07少-的1隐9含#层#单#元#,学#习#2#一0#1些2次-数0后7,还-不1成9功#就#要##增#### 加隐含单元个数 ,一直达到比较合 加隐含单元个数 ,一直达到比较合理的隐含单元数 目为止 。 1.