神经网络基于BP网络的多层感知器实验报告.docxVIP

精品文档 精品文档 神经网络及应用实验报告 实验二、基于 BP 网络的多层感知器 一：实验目的： 理解多层感知器的工作原理 通过调节算法参数了解参数的变化对于感知器训练的影响 了解多层感知器局限性 二：实验原理： BP的基本思想：信号的正向传播 误差的反向传播 -信号的正向传播：输入样本从输入层传入，经各隐层逐层处理后，传向输出层。 -误差的反向传播：将输入误差以某种形式通过隐层向输入层逐层反传， 并将误 差分摊给各层的所有单元， 从而获得各层单元的误差信号来作为修正各单元权值 的依据。 基本BP算法的多层感知器模型： 三JGBP网戎舉 三JGBP网戎舉 输出是 ok ok = f fliert A = 1.2. ,,,i .-Y vt - f(uer } j =】，2…，册 -J - J J uel. = Vy 斗 J = L2…“tn 1-0 变换函? fix）为连续、可导的单极性Sigmoid函数 BP学习算法的推导: 当网络输出与期望输出不等时，存在输出误差 E 1 “ 1丄 O）」=勺工何—比）? 将上面的误差定义式展开至隐层，有 「 -2 ￡ = |E［rft-/M1）f =4z m -/（￡忻） TOC \o 1-5 \h \z 亠 k=l - Jh=l |_ =0 进一步展开至输入层，有 \o Current Document 1 i（二 r 1 丄（ ?二 I ￡=-L-心-f正弔丿①％）］「工凤-n工叫丿（无炉）］： \o Current Document * fc-l I j=C J J 上=1 I j=0 i=0 调整权值的原则是使误差不断地减小，因此应使权值的调整量与误差的梯度下降 成正比，即 己E /in5 k= -ij j = 0＜L2讯： fr = 0.12…I △片?=—巾 / = 0.1,2，….m\ k = 0,L2,... J cv n€ (0,1)表示比例系数，在训练中反应学习速率 BP算法属于S学习规则类，这类算法被称为误差的梯度下降(Gradient Descent) 算法。 ＜实验步骤＞ 1.用Matlab编程，实现解决该问题的单样本训练 BP网络，设置一个停止迭代的误差 Emin和 最大迭代次数。在调试过程中，通过不断调整隐层节点数，学习率n，找到收敛速度快 且误差小的一组参数。产生均匀分布在区间 [-4，4]的测试样本，输入建立的模型得到输 出，与Hermit多项式的期望输出进行比较计算总误差(运行 5次，取平均值)，并记录下 每次迭代结束时的迭代次数。 (要求误差计算使用 RME，Emin设置为0.1) 程序如下： fun ctio n dyb % 单样本程序 clc; close all; clear; x0=[1:101;-4:0.08:4];% 样本 101 个 x0(1,:)=-1; x=x0; yuzhi=0.1;% 阈值 j=i nput( 请输入隐层节点数j = );% 隐层节点数 n=i nput( 请输入学习效率 n = );% 学习效率 w=ra nd(1,j); w=[yuzhi,w]; % 输出层阈值 v=ra nd(2,j); v(1,:)=yuzhi;% 隐层阈值 err=zeros(1,101); wucha=0; zhaoshe ng=0.01*ra ndn (1,101);% 噪声 erro=[]; ERRO=[];%误差，为画收敛曲线准备 Emi n=0.1; d=zeros(1,101); for m=1:101 d(m)=hermit(x(m,2));% 期望 end; o=zeros(1,101); netj=zeros(1,j); net=zeros(1,j); p=1; q=1; azc=0; acs=0; for z=1:5 while q30000 Erme=0; for p=1:101 y=zeros(1,j); for i=1:j netj(1,i)=x(p,:)*v(:,i); y(1,i)=1/(1+exp(-netj(1,i))); end; y=[-1 y]; o(p)=w*y+zhaosheng(p);% 噪声 wucha = d(p)-o(p); err(1,p)=1/2*wuchaA2; erro=[erro,wucha]; for m=1:j+1 w(1,m)=w(1,m)+n*wucha*y(1,m); end; for m=1:j v(:,m)=v(:,m)+n*wucha*w(1,m)*y(1,m)*(1-y(1,m))*x(p,:); end q=q+1; end; for t=1:101; Erme=Erme+err(1,t); end; err=zeros(1,101); Er