实验四Matlab神经网络及应用于近红外光谱地汽油辛烷值预测.docVIP

实用文档 文案大全 实验四 Matlab神经网络以及应用于汽油辛烷值预测 一、实验目的 1. 掌握MATLAB创建BP神经网络并应用于拟合非线性函数 2. 掌握MATLAB创建REF神经网络并应用于拟合非线性函数 3. 掌握MATLAB创建BP神经网络和REF神经网络解决实际问题 4. 了解MATLAB神经网络并行运算 二、实验原理 2.1 ＢＰ神经网络 2.1.1 BP神经网络概述 ＢＰ神经网络Rumelhard和McClelland于１９８６年提出。从结构上将，它是一种典型的多层前向型神经网络，具有一个输入层、一个或多个隐含层和一个输出层。层与层之间采用权连接的方式，同一层的神经元之间不存在相互连接。理论上已经证明，具有一个隐含层的三层网络可以逼近任意非线性函数。 隐含层中的神经元多采用S型传递函数，输出层的神经元多采用线性传递函数。图１所示为一个典型的ＢＰ神经网络。该网络具有一个隐含层，输入层神经元数据为R，隐含层神经元数目为S1，输出层神经元数据为S2，隐含层采用S型传递函数tansig，输出层传递函数为purelin。 图１ 含一个隐含层的BP网络结构 2.1.2 BP神经网络学习规则 BP网络是一种多层前馈神经网络，其神经元的传递函数为S型函数，因此输出量为0到1之间的连续量，它可以实现从输入到输出的任意的非线性映射。由于其权值的调整是利用实际输出与期望输出之差，对网络的各层连接权由后向前逐层进行校正的计算方法，故而称为反向传播（Back-Propogation）学习算法，简称为BP算法。BP算法主要是利用输入、输出样本集进行相应训练，使网络达到给定的输入输出映射函数关系。算法常分为两个阶段：第一阶段（正向计算过程）由样本选取信息从输入层经隐含层逐层计算各单元的输出值；第二阶段（误差反向传播过程）由输出层计算误差并逐层向前算出隐含层各单元的误差，并以此修正前一层权值。 BP网络的学习过程主要由以下四部分组成： 1）输入样本顺传播 输入样本传播也就是样本由输入层经中间层向输出层传播计算。这一过程主要是 输入样本求出它所对应的实际输出。 隐含层中第i个神经元的输出为 ② 输出层中第k个神经元的输出为： 其中f1(·), f2 (·)分别为隐含层和输出层的传递函数。 2）输出误差逆传播 在第一步的样本顺传播计算中我们得到了网络的实际输出值，当这些实际的输出值与期望输出值不一样时，或者说其误差大于所限定的数值时，就要对网络进行校正。 首先，定义误差函数 E(w,b)= 其次，给出权值的变化 ① 输出层的权值变化 从第i个输入到第k个输出的权值为： 其中： ， ② 隐含层的权值变化 从第j个输入到第i个输出的权值为： (η为学习系数) 其中： 由此可以看出：①调整是与误差成正比，即误差越大调整的幅度就越大。②调整量与输入值大小成比例，在这次学习过程中就显得越活跃，所以与其相连的权值的调整幅度就应该越大，③调整是与学习系数成正比。通常学习系数在0.1~0.8之间，为使整个学习过程加快，又不会引起振荡，可采用变学习率的方法，即在学习初期取较大的学习系数随着学习过程的进行逐渐减小其值。 最后，将输出误差由输出层经中间层传向输入层，逐层进行校正。 2.1.3 BP神经网络的训练 对BP网络进行训练时，首先要提供一组训练样本，其中每个样本由输入样本和输出对组成。当网络的所有实际输出与其期望输出小于指定误差时，训练结束。否则，通过修正权值，使网络的实际输出与期望输出接近一致（图2）。 实际上针对不同具体情况，BP网络的训练有相应的学习规则，即不同的最优化算法，沿减少期望输出与实际输出之间误差的原则，实现BP网络的函数逼近、向量分类和模式识别。 图2 神经网络的训练 2.2 ＲＢＦ神经网络 2.2.1 RBF神经网络概述 1985年，Powell提出了多变量插值的径向基函数（Radical Basis Function, RBF）方法。1988年，Moody和Darken提出了一种神经网络结构，即RBF 神经网络，属于前向神经网络类型，它能够以任意精度逼近任意连续函数，特别适合于解决分类问题。 RBF网络的结构与多层前向网络类似，它是一种三层前向网络。输入层由信号源节点组成；第二层为隐含层，隐单元数视所描述问题的需要而定，隐单元的变换函数RBF（）是对中心点径向对称且衰减的非负非线性函数；第三层为输出层，它对输入模式的作用作出响应。从输入空间到隐含层空间的变换是非线性的，而从隐含层空间的输出层空间变换是线性的。 RBF网络的基本思想是：用RBF作为隐单元的“基”构成隐含层空间，这样就可以将输入向量直接（即不需要通过权接）映射到隐空间。当RBF的中心点确定