BP神经网络--使用多层感知器网络进行数据分类.pptVIP

使用多层感知器网络进行数据分类 姓名: 学号： 录 目 录 目 输入层、隐含层以及输出层神经元个数的确定 神经元 个数 隐含层 13个。确定原因： h=sqrt（m*n） n：输入层神经元个数（15） M：输出层神经元个数（12） 所以:h=sqrt（12*14） 实验之初 权值赋初值是通过net=init(net)来自动实现的，每一次训练初始化的结果都不一样； 改进后的实验 经过多次试验，找到一些使识别率达到100%的权值。保存下来权值，在接下来的实验中使用 权值初始化 net.IW 属性定义了从网络输入向量到网络层的权值向量（即输入层的权值向量）结构。其值为Nl*Ni的细胞矩阵，Nl为网络层数（net.numLayers)，Ni为输入向量数（net.numInputs）。通过访问net.IW{i,j}，可以获得第i 个网络层来自第j 个输入向量的权值向量值。 所以一般情况下net,iw{1,1}就是输入层和隐含层之间的权值。 w1=net.iw{1,1};%当前输入层权值 theta1=net.b{1};%当前输入层阀值 w2=net.lw{2,1};%当前隐含层权值 %theta2=net.b{2};%当前隐含层阀值 net.iw{1,1} = w1; net.lw{2,1} = w2; net.b{1}=theta1; net.b{2}=theta2; 权值初始化 经过选择不同的函数创建网络，最后确定激活函数和训练函数如下时，更加适合（也是newff默认的） 创建网络和结束条件 激活函数 训练函数 正确识别率 logsig purelin traingdx 70%~96% logsig purelin trainlm 90%附近 tansig purelin traingdx 90%(结合适当的权值) .... ... ... ... tansig purelin trainlm 100%(结合适当的权值) net=newff(training_input,T,13,{tansig,purelin},trainlm); 创建网络和结束条件 训练参数 net.trainParam.show=500; net.trainParam.lr=0.05; net.trainParam.epochs=3000; net.trainParam.goal=0.001; 结束条件 神经网络学习曲线 神经网络学习曲线 THANK YOU