神经网络算法

1、神经网络算法神经网络算法第1页目标内容学习神经网络基础原理与方法。1、人工神经元数学模型4、BP神经网络应用3、BP神经网络Matlab工具箱函数 2、BP神经网络神经网络算法第2页神经网络算法第3页一、人工神经元数学模型神经网络算法第4页神经网络算法第5页神经网络算法第6页神经网络算法第7页BP神经网络拓扑结构如图所表示。1.BP神经网络结构：神经网络算法第8页神经网络算法第9页2BP神经网络学习算法及流程以三层BP神经网络为例，它训练过程包含以下几个步骤：神经网络算法第10页神经网络算法第11页神经网络算法第12页BP神经网络流程图： 神经网络算法第13页三、BP神经网络Matlab工具箱

2、函数 神经网络算法第14页net=newff(PR, S1,S2,SN, TF1,TF2,TFN, BTF, BLF, PF)神经网络算法第15页神经网络算法第16页神经网络算法第17页神经网络算法第18页神经网络算法第19页神经网络算法第20页神经网络算法第21页 网络经过177次训练后，即使网络性能还没有到达0，不过输出均方误差已经很小了，MSE2.95307e-006，误差曲线如图1所表示。为更直观地了解网络输出与目标向量之间关系，见图2所表示。 plot(P,T,-,P,Y,o)图1 BP神经网络训练误差曲线图 图2 训练后BP神经网络仿真图To Matlab exp12_4_1.m神

3、经网络算法第22页神经网络算法第23页神经网络算法第24页神经网络算法第25页神经网络算法第26页神经网络算法第27页神经网络算法第28页BP神经网络测试结果图 To Matlab exp12_4_2.m神经网络算法第29页神经网络算法第30页神经网络算法第31页神经网络算法第32页神经网络算法第33页神经网络算法第34页神经网络算法第35页神经网络算法第36页神经网络算法第37页神经网络算法第38页To Matlab exp12_4_3.m神经网络算法第39页神经网络算法第40页练习1、蠓虫分类问题 生物学家试图对两种蠓虫（Af与Apf）进行判别，依据资料是触角和翅膀长度，已经测得了9只Af

4、和6只Apf数据以下：Af: (1.24,1.27)，(1.36,1.74)， (1.38,1.64)，(1.38,1.82)，(1.38,1.90)，(1.40,1.70)，(1.48,1.82)，(1.54,1.82)，(1.56,2.08)；Apf: (1.14,1.82)，(1.18,1.96)，(1.20,1.86)，(1.26,2.00)，(1.28,2.00)，(1.30,1.96).（i）依据如上资料，怎样制订一个方法，正确地域分两类蠓虫；（ii）对触角和翼长分别为(1.24,1.80)，(1.28,1.84)与(1.40,2.04)三个标本，用所得到方法加以识别；（iii）设

5、Af是宝贵传粉益虫，Apf是某疾病载体，是否应该修改分类方法.神经网络算法第41页2、人口预测下表是从北京统计年鉴中给出 1980-年北京城近郊区户籍人口统计结果作为样本数据，(1)建立人工神经网络模型;(2)预测年北京城近郊区户籍人口.神经网络算法第42页数据处理后样本数据：样本用途样本组数输入一输入二输入三输入四输出学习样本10.49840.51020.52130.5340.540720.51020.52130.5340.54070.542830.52130.5340.54070.54280.55340.5340.54070.54280.5530.563250.54070.54280.55

6、30.56320.573960.54280.5530.56320.57390.582170.5530.56320.57390.58210.59280.56320.57390.58210.5920.598790.57390.58210.5920.59870.6043100.58210.5920.59870.60430.6095110.5920.59870.60430.60950.6161120.59870.60430.60950.61610.6251130.60430.60950.61610.62510.6318140.60950.61610.62510.63180.6387150.61610.

7、62510.63180.63870.6462160.62510.63180.63870.64620.6518170.63180.63870.64620.65180.6589180.63870.64620.65180.65890.6674190.64620.65180.65890.66740.6786200.65180.65890.66740.67860.6892210.65890.66740.67860.68920.6988220.66740.67860.68920.69880.7072检验样本230.6786 0.68920.69880.70720.7132240.6892 0.69880.70720.71320.71