BP人工神经网络常用传递函数

1、BP网络常用传递函数5.6EP翩络常用的传逛函数BP网络的传递函数有多种。Log-sigmoid型函数的输入值可取任意值，输出值在0和1之间；tan-sigmod型传递函数tansig的输入值可取任意值，输出值在T到+1之间；线性传递函数purelin的输入与输出值可取任意值。隐含层常采用S型传递函数。BP网络通常有一个或多个隐层，该层中的神经元均采用sigmoid型传递函数，输出层的神经元则采用线性传递函数，整个网络的输出可以取任意值。各种传递函数如图5.6所示。只改变传递函数而其余参数均固定，用本章5.2节所述的样本集训练BP网络时发现，传递函数使用tansig函数时要比logsig函数的

2、误差小。于是在以后的训练中隐层传递函数改用tansig函数，输出层传递函数仍选用purelin函数。3)每层节点数的确定：使用神经网络的目的是实现摄像机输出RGB颜色空间与CIE-XYZ色空间转换，因此BP网络的输入层和输出层的节点个数分别为3。下面主要介绍隐层节点数量的确定。对于多层前馈网络来说，隐层节点数的确定是成败的关键。若数量太少，则网络所能获取的用以解决问题的信息太少；若数量太多，不仅增加训练时间，更重要的是隐层节点过多还可能出现所谓“过渡吻合”(Overfitting)问题，即测试误差增大导致泛化能力下降，因此合理选择隐层节点数非常重要。关于隐层数及其节点数的选择比较复杂，一般原则

3、是：在能正确反映输入输出关系的基础上，应选用较少的隐层节点数，以使网络结构尽量简单。本论文中采用网络结构增长型方法，即先设置较少的节点数，对网络进行训练，并测试学习误差，然后逐渐增加节点数，直到学习误差不再有明显减少为止。newff()功能建立一个前向BP网络格式net=newff(PR，S1S2.SN1，TF1TF2.TFN1，BTF，BLF，PF)说明net为创建的新BP神经网络；PR为网络输入取向量取值范围的矩阵；S1S2-SN1表示网络隐含层和输出层神经元的个数；TF1TF2-TFN1表示网络隐含层和输出层的传输函数，默认为'tansig'；BTF表示网络的训练函数，默

4、认为'trainlm'BLF表示网络的权值学习函数，默认为learngdm'；PF表示性能数，默认为'mse'。参数TFi可以采用任意的可微传递函数，比如transig，logsig和purelin等；训练函数可以是任意的BP训练函数，如trainm，trainbfg,trainrp和traingd等。BTF默认采用trainlm是因为函数的速度很快，但该函数的一个重要缺陷是运行过程会消耗大量的内存资源。如果计算机内存不够大，不建议用trainlm,而建议采用训练函数trainbfg或trainrp。虽然这两个函数的运行速度比较慢，但它们的共同特点是内存

5、占用量小，不至于出现训练过程死机的情况。参数TFi可以采用任意的可微传递函数，比如transig，logsig和purelin等；训练函数可以是任意的BP训练函数，如trainm，trainbfg，trainrp和traingd等。BTF默认采用trainlm是因为函数的速度很快，但该函数的一个重要缺陷是运行过程会消耗大量的内存资源。如果计算机内存不够大，不建议用trainlm，而建议采用训练函数trainbfg或trainrp。虽然这两个函数的运行速度比较慢，但它们的共同特点是内存占用量小，不至于出现训练过程死机的情况。训练函数：包括梯度下降bp算法训练函数traingd，动量反传递的梯度下

6、降bp算法训练函数traingdm，动态自适应学习率的梯度下降bp算法训练函数traingda，动量反传和动态自适应学习率的梯度下降bp算法训练函数traingdx,levenberg_marquardt的bp算法训练函数trainlm。BP网络一般都是用三层的，四层及以上的都比较少用；传输函数的选择，这个怎么说，假设你想预测的结果是几个固定值，如1,0等，满足某个条件输出1,不满足则0的话，首先想到的是hardlim函数，阈值型的，当然也可以考虑其他的；然后，假如网络是用来表达某种线性关系时，用purelin-线性传输函数；若是非线性关系的话，用别的非线性传递函数，多层网络时，每层不一定要用

7、相同的传递函数，可以是三种配合，可以使非线性和线性，阈值的传递函数等；compet-竞争型传递函数；hardlim-阈值型传递函数；hardlims-对称阈值型传输函数；logsig-S型传输函数；poslin-正线性传输函数；purelin-线性传输函数；radbas-径向基传输函数；satlin-饱和线性传输函数；satlins-饱和对称线性传输函数；softmax-柔性最大值传输函数；tansig-双曲正切S型传输函数；tribas-三角形径向基传输函数；二、神经元上的传递函数传递函数是BP网络的重要组成部分，必须是连续可微的，BP网络常采用S型的对数或正切函数和线性函数。Logsig传

8、递函数为S型的对数函数。调用格式为：A=logsig(N)N：Q个S维的输入列向量；A：函数返回值，位于区间(0,1)中info=logsig(code)依据code值的不同返回不同的信息，包括：deriv返回微分函数的名称；name返回函数全程；output返回输出值域；active返回有效的输入区间例如：n=-10：0.1:10;a=logsig(n);plot(n,a)matlab按照来计算对数传递函数的值：n=2/(1+exp(-2n)函数logsig可将神经元的输入(范围为整个实数集)映射到区间(0,1)中。三、BP网络学习函数learngd该函数为梯度下降权值/阈值学习函数，通过神

9、经元的输入和误差，以及权值和阈值的学习速率，来计算权值或阈值的变化率。调用格式;dW,ls=learngd(W,P,Z,N,A,T,E,gW,gA,D,LP,LS)以一个单隐层的BP网络设计为例，介绍利用神经网络工具箱进行BP网络设计及分析的过程1.问题描述通过对函数进行采样得到了网络的输入变量P和目标变量T：P=-1：0.1:1;T=-0.9602-0.577.-0.07290.37710.64050.66000.46090.1336-0.2013-0.4344-0.5000-0.3930-0.16470.09880.30720.39600.34490.1816-0.0312-0.2189-

10、0.32012.网络的设计网络的输入层和输出层的神经元个数均为1，网络的隐含神经元个数应该在38之间。网络设计及运行的代码：s=3:8;res=1:6;fori=1:6;net=newff(minmax(P),s(i),1,'tansig',logsig,'traingdx');net.trainParam.epachs=2000;net.trainParam.goal=0.001;net=train(net,P,T)y=sim('net,P')error=y-T;res(i)=norm(error);end代码运行结果：网络训练误差神经元个数3

11、45678网络误差1.04120.72970.17670.14490.18070.1442%获取训练数据与预测数据input_train=data(n(1:9900),1:3)'output_train=data1(n(1:9900),1)'input_test=data(n(9901:10000),1:3)'output_test=data1(n(9901:10000),1)'%数据归一化inputn,inputps=mapminmax(input_train);outputn,outputps=mapminmax(output_train);%bp训练%初始

12、化网络结构net=newff(inputn,outputn,100);net.trainParam.show=30;net.trainParam.epochs=300;net.trainParam.lr=0.01;net.trainParam.goal=1e-6;%网络训练net=train(net,inputn,outputn);%bp预测%预测数据归一化inputn_test=mapminmax('apply',input_test,inputps);%网络预测输出an=sim(net,inputn_test);%网络输出反归一化BPoutput=mapminmax('reverse',an,outputps);%结果分析figureplot(BPoutput,':og');holdonplot(output_test,'-*');legend('预测输出','期望输出','fontsize',12)title('BP网络预测输出','fontsize',12)xlabel