神经网络基于BP网络的多层感知器实验报告.docxVIP

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： . 精品文档 2.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 将上面的误差定义式展开至隐层，有 进一步展开至输入层，有 . 精品文档 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 η∈ (0,1) 表示比例系数，在训练中反应学习速率 BP算法属于δ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η，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