人工神经网络建模matlab.1ppt课件

选集，第11章人工神经网络建模(人工神经网络)，1。举例来说，生物学家格罗根和沃斯在1981年发现了两种蚊子(或称蠓)。他们测量了这两种蚊子每个个体的翅膀长度和天线长度。数据如下：机翼长度天线长度类别1 . 641 . 38 AF 1 . 821 . 38 AF 1 . 901 . 38 AF 1 . 701 . 40 AF 1 . 821 . 48 AF 1 . 821 . 54 AF 2 . 081 . 56 AF，机翼长度天线长度类别1 . 781 . 14 APF 1 . 961 . 18 APF 1 . 861 . 20 APF 1 . 721 . 24 AF 2 . 001 . 24 AF(l.28，1.84)；(1.40，2.04)。它们应该属于哪一类？解决方案1:以机翼长度为纵坐标，天线长度为横坐标；然后，每只蚊子的翅膀长度和天线决定了坐标平面上的一个点。六只蚊子属于APf类。由黑点“”表示；九只蚊子属于Af类。用一个小圆圈。结果显示在图1、选择和图1中。选择飞行蠓的天线长度和翅膀长度。想法是画一条直线来区分这两种飞行的蠓，例如：取A=(1.44，2.10)和B=(1.10，1.16)，画一条直线穿过AB两点：Y=1.47 x-0.017，其中x代表天线长度；y表示机翼长度。分类规则：将蚊子的数据设置为(x，y)。如果y1.47x-0.017，则判定蚊子属于Apf类；如果y 1.47 x-0.017；判断蚊子属于Af类。选择和分类结果：(1.24，1.80)，(1.28，1.84)属于Af类；(1.40，2.04)属于Apf类别。图2分类线图，选择，缺陷：根据什么原则确定分类线？如果A=(1.46，2.10)和B=(1.1，1.6)保持不变，分类直线变为y=1.39x 0.071，分类结果变为：(1.24，1.80)，(1.40，2.04)属于Apf类；(1.28，1.84)属于Af范畴，哪个分类直线是正确的？因此，如何确定判别线是一个值得研究的问题。一般来说，应该充分利用已知的数据信息来确定判别线。选择，例如，下列情况不能再分为直线：新的想法：把问题作为一个系统，飞行蠓的数据作为输入，飞行蠓的类型作为输出，并研究输入和输出之间的关系。大脑可以被视为由超过1000亿个神经元组成的神经网络神经元的解剖图，图3是神经元的解剖图。细胞体的活动反映为轴突电位，当轴突电位达到一定值时，形成神经冲动或动作电位。从控制论的观点来看，它是通过轴突终端传递给其他神经元的。这个过程可以看作是一个多输入单输出非线性系统的动态过程。从生理学和解剖学以及工程技术和算法两个方面研究了神经网络的研究。选择。第三，选择了人工神经网络，神经元的数学模型和图4，神经元的数学模型。X=(X1，输入向量，Y为输出，wi为权重系数。输入和输出具有以下关系：是阈值，f(X)是激励函数；它可以是线性函数或非线性函数。选择，例如，如果激励函数被视为符号函数，选择，则S型激励函数：选择，或注意：如果阈值被视为权重系数，-1是固定输入，并且有m-1个正常输入，则等式(1)也可以被表示为：(1)，(1)，参数识别：假设函数的形式是已知的，权重系数和阈值可以从现有的输入和输出数据中确定。(2)神经网络的数学模型。许多神经元组合在一起形成一个神经网络，例如下图所示的具有中间层(隐藏层)的B-P网络，以及图5所示的具有中间层的B-P网络。选择。3)量变导致质变神经网络的功能。(1)蚁群，一只蚂蚁有50个神经元，一只蚂蚁不能做太多。甚至不能活得很好。而是一窝蚂蚁；有100，000个个体，那么这个群体相当于500万个神经元(当然，这不是一个简单的加法，这里只是为了便于解释)；然后他们可以寻找食物，移动，围攻敌人，等等。选择，(2)在网上说话，人们在网上阅读教科书(当然，这需要通过光电和电声信号来转换)；随着婴儿学会说话，互联网上说的话开始听起来像“吧，吧，吧”。然而，经过长时间的B-P算法训练，英语教材中90%的词汇都能被正确读出。从那时起，利用神经网络识别语言和图像的新热潮已经形成。选择，4。人工神经网络的基本特征，(1)可以处理非线性，(2)并行结构。对于神经网络中的每个神经元；它的操作是一样的。这种结构最便于计算机并行处理。(3)具有学习和记忆能力。神经网络可以通过训练和学习来区分事物。学习某种规则。神经网络可用于联想记忆。选择。(4)大数据容差。定量数据和质量数据(如好、中、差、通过、失败等。)可以同时用于神经网络。(5)神经网络可以用大规模集成电路来实现。例如，在美国，由256个神经元组成的硬件被用来识别手写的邮政编码。选择，四，反向传播算法(B-P算法)，反向传播算法，算法的目的：根据实际输入输出数据，计算模型的参数(权重系数)，1。简单网络的B-P算法，选择，图6简单网络，选择，假设有P个训练样本，即有P个输入输出对(IP，TP)，P=1，其中输入向量是，目标输出向量是(实际的)，选择，网络输出向量是(理论的)，wij是来自j的权重(j=1，I (i=1，输出向量的第n个分量。通常，理论值和实际值之间存在误差。网络学习是指根据最小原则不断比较和修改参数wij，以使误差平方和最小化：(p=1，p)、(2)、选择、符号、增量学习规则：(4)、(3)，它指示递归一次的修改量，这被称为学习速率、选择、ipm=-1、Wim=(第一神经元的阈值)(5)，注意：从(1)等式，第一神经元的输出可以被表示为，特别是当F是线性函数时，(6)、选择、选择，图7多层前馈网络，2。多层前馈网络，选择，假设：(1)输入层不包括在层数中，它有N0个神经元。让网络有共同的L层；输出层是第一层；在第k层中有Nk个神经元，(2)设置，(3)设置第k层神经元的输出和选择，(3)设置第k层神经元和第k层神经元之间的信息交换(否则，将它们之间的权重设置为零)；然而，同一层的神经元之间没有信息传递。(4)设置从输入层到输出层的信息传输方向。因此，它被称为前向网络。没有反向传播信息。(5)它代表输入的第J个分量。选择。在上述假设下，网络的输入输出关系可以表示为：(7)，其中它代表第K层的第I个分量的阈值。对于具有多个隐藏层的前馈神经网络，(9)，定理2；假设激励函数是S函数；指标函数取(8)、精选和(10)，在每个训练周期内按梯度递减；权重迭代公式为，表示第一层的第一元素到第一层的第一元素的输入的第一次迭代的权重，选择，其中，(12)，(11)，选择，BP算法，步骤1，选择的学习数据，p=1，p，随机确定初始权重矩阵W(0)，步骤2，使用公式(10)的逆校正，直到所有学习数据用完，用学习数据计算网络输出，步骤3，选择，5。应用示例：蚊子分类，两种已知蚊子种类的数据如表1所示：选定的，翼长和天线长度类别1 . 781 . 14 APF 1 . 961 . 18 APF 1 . 861 . 20 APF 1 . 721 . 24 APF 2 . 001 . 26 APF 2 . 001 . 28 APF 1 . 961 . 30 APF 1 . 741 . 36 AF，目标值为0.90.90.10.90.15；j=1，2；对应15个输出。建模：(输入层，中间层，输出层，每层应该包含多少元素？建立神经网络，目标为：当t(1)=0.9时，属于Apf类，t(2)=0.1时，属于Af类。假设有两个权重系数矩阵：已选定，其中、(分析如下：是第一层的输出，也是第二层的输入。即阈值，是选择，其中，是阈值，是激励函数，并且如果阈值是固定输入神经元的对应权重系数，则有： (作为固定输入)，选择，其将激励函数作为，选择，然后，=，然后，再次，采取，选择，从而p=0，具体算法如下：(1)随机给出两个权重矩阵的初始值；例如，在使用MATLAB软件时，可以使用以下语句：=rand(2，3)；=兰特(1，3)；(2)根据输入数据，用公式计算网络的输出，选择，取、=，选择，