BP神经网络在分类和预测中应用.pptVIP

模型一 我们先做第一种尝试，将人名的前五个字母进行编号，a ~ z 分别对应 0 ~ 25，即每个人名的特征值是一个长度为5的一维列向量,总共280个人名就是个5*280的矩阵p，作为网络输入。将题目中的徽章问题量化，假设徽章为＋则为1, 徽章为－则为0, 就形成一个1*280的矩阵t，作为目标输出。 BP神经网络在分类与预测中的应用 将这些特征值作为训练样本, 通过Matlab的工具箱对BP分类算法进行训练，并确定权值，具体程序，注释及结果如下： 模型一 BP神经网络在分类与预测中的应用 net=newff([0 25;0 25;0 25;0 25;0 25],[100,1],{logsig,purelin},trainlm); //创建一个神经网络，每个字母所对应的量化值的输入范围0～25，神经网络有2层，第一层有100个神经元，第二层1个，传递函数分别是S型和线性，训练方式trainlm。 net=init(net); //初始化神经网络 net.trainParam.min_grad= 1e-020; //设定最小梯度值，提高训练效果 net=train(net,p,t); TRAINLM, Epoch 0/100, MSE 4.78695/0, Gradient 4628.35/1e-020 TRAINLM, Epoch 25/100, MSE 0.000969475/0, Gradient 4.93588/1e-020 TRAINLM, Epoch 50/100, MSE 6.16266e-005/0, Gradient 4.48141/1e-020 TRAINLM, Epoch 72/100, MSE 4.00219e-031/0, Gradient 1.53435e-013/1e-020 TRAINLM, Maximum MU reached, performance goal was not met. 模型一 BP神经网络在分类与预测中的应用 训练次数与训练精度的关系图 BP神经网络在分类与预测中的应用 将用于训练的输入数据p代入训练后的神经网络，输出结果为a矩阵 模型一 a=sim(net,p) a = Columns 1 through 9 1.0000 0.0000 1.0000 1.0000 0.0000 1.0000 -0.0000 1.0000 1.0000 Columns 10 through 18 1.0000 1.0000 1.0000 1.0000 1.0000 -0.0000 1.0000 -0.0000 1.0000（后面数据略） 将它和用于训练的目标输出矩阵t对比可以看出，吻合得很好 BP神经网络在分类与预测中的应用 模型一 a=sim(net,n) a = Columns 1 through 8 1.3889 0.8504 1.0000 0.9551 -0.0006 -0.0515 1.0000 -0.7714 Columns 9 through 14 1.0776 0.9977 2.0655 0.4673 0.4794 1.0000 将14个待分类的人名的前五个字母编码输入神经网络，得到的结果如下： 可以看到,这个结果不是很好, 由很多介于0和1之间的数字,从这里的分析可以看出,选取字母的编码作为特征值是合理的，但需要对特征值的选取方案进行细化。 BP神经网络在分类与预测中的应用 模型二 对所给出的280个人名取特征值,我们将人名的第一个字母的进行编号，a ~ z分别对应 0 ~ 25，并将这些特征值带入到BP网络中去进行训练，具体程序如下： net=newff([0 25],[100,1],{logsig,purelin},trainlm); net=train(net,p,t); TRAINLM, Epoch 0/100, MSE 36.4541/0, Gradient 10111.3/1e-010 TRAINLM, Epoch 6/100, MSE 0.115783/0, Gradient 7.80296e-013/1e-010 TRAINLM, Minimum gradient reached, performance goal was not met. net.trainParam.min_