人工神经网络原理、Matlab实现及竞赛实例.pptx

人工神经网络原理、Matlab实现及竞赛实例;主要内容;主要内容;什么是人工神经网络？;什么是人工神经网络？;什么是人工神经网络？;什么是人工神经网络？;主要内容;人工神经网络的原理;人工神经网络的原理;人工神经网络的原理;人工神经网络的原理;人工神经网络的原理;人工神经网络的原理;正向传播： 输入样本－－－输入层－－－各隐层－－－输出层 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 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 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;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 变量定义 输入向量; 隐含层输入向量； 隐含层输出向量; 输出层输入向量; 输出层输出向量; 期望输出向量; ;输入层与中间层的连接权值: 隐含层与输出层的连接权值: 隐含层各神经元的阈值: 输出层各神经元的阈值: 样本数据个数: 激活函数: 误差函数： ;第一步，网络初始化 给各连接权值分别赋一个区间（-1，1）内的随机数，设定误差函数e，给定计算精度值 和最大学习次数M。 第二步,随机选取第 个输入样本及对应期望输出 ;第三步，计算隐含层各神经元的输入和输出 ;第四步，利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数 。 ;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 。 ;人工神经网络的原理-BPNN的标准学习算法;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。 ;主要内容;人工神经网络的Matlab实现;人工神经网络的Matlab实现;人工神经网络的Matlab实现;人工神经网络的Matlab实现;人工神经网络的Matlab实现;人工神经网络的Matlab实现;主要内容;人工神经网络的简例;人工神经网络的简例; 某地区20年公路运量数据 年份 人口数量 机动车数量 公路面积 公路客运量 公路货运量 20.55 0.6 0.09 5126 1237 22.44 0.75 0.11 6217 1379 25.37 0.85 0.11 7730 1385 27.13 0.90 0.14 9145 1399 29.45 1.05 0.20 10460 1663 30.1 1.35 0.23 11387 1714 30.96 1.45 0.23 12353 1834 34.06 1.60 0.32 15750 4322 36.42 1.70 0.32 18304 8132