基于BP神经网络的非线性函数拟合——技术报告.pdfVIP

基于BP 神经网络的非线性函数拟合 技术报告文档 学院：计算机学院 专业：计算机科学与技术专业 姓名：张王成 学号：2120111220 邮箱：zhangwagncheng0816@163.com 日期：2011 年12 月31 日 目录 1. 问题定义 1 2. 基于梯度下降算法的BP 神经网络 1 2.1 技术现状 1 2.2 模型建立2 2.3MFC 编程实现3 2.3.1BP 神经网络各项函数选择3 2.3.2 数据选择和归一化3 2.3.3 基于梯度下降算法的BP 神经网络训练4 2.3.4 基于梯度下降算法的BP 神经网络预测5 2.4 实验结果5 3. 基于遗传优化算法的BP 神经网络 5 3.1 技术现状6 3.1.1 遗传算法原理 6 3.1.2 遗传算法的基本要素 7 3.2 模型建立7 3.3 遗传优化算法编程实现9 3.3.1 遗传算法原理具体实现9 3.3.2 遗传算法编程实现 11 3.4 实验结果 12 4. 基于粒子群优化算法的BP 神经网络 12 4.1 技术现状 13 4.2 模型建立 14 4.3PSO 算法编程实现 16 4.4 实验结果 17 5. 结论 18 6. 参考文献 18 I 1. 问题定义 在工程应用中经常会遇到一些复杂的非线性系统，这些系统状态 方程复杂，难以用数学方法准确建模。在这种情况下，可以建立 BP （Back-Propagation ）神经网络表达这些非线性系统。应用BP 神经网 络解决非线性映射问题，把未知系统看成是一个黑箱，首先用系统输 入输出数据训练BP 神经网络，使网络能够表达未知函数，然后就可 以用训练好的BP 神经网络预测系统输出。 本报告拟合的非线性函数为 y x 2 x 2 1 2 2. 基于梯度下降算法的BP 神经网络 2.1 技术现状 BP 神经网络即采用误差反向传播算法的网络，是一种至今仍然 最为流行的前馈型神经网络模型。BP 神经网络有很强的非线性映射 能力，它能学习和存贮大量输入-输出模式映射关系，而无需事先了 解描述这种映射关系的数学方程。只要能提供足够多的样本模式对供 给网络进行学习训练，它便能完成由n 维输入空间到m 维输出空间 的非线性映射。 BP 学习算法属于误差修正型学习，其关键在于根据误差修正输 出层和隐含层的连接权值。其学习的基本实现方法是基于最小平方误 差准则和梯度下降优化方法来确定权值调整法则。 1 2.2 模型建立 基于梯度下降算法的BP 神经网络的非线性函数拟合实现流程可 以分为BP 神经网络构建、BP 神经网络训练和BP 神经网络预测三步， 如图2-1 所示。 BP神经网络构建 BP神经网络训练 BP神经网络预测 N 构建合适的 构建合适的 Y BP神经网络 系统建模 系统建模 训练结束 测试数据 BP神经网络 BP神经网络 预测 图2-1 基于梯度下降算法的BP 网络实现流程 BP 神经网络构建根据拟合非线性函数特点确定 B