数字识别神经网络

武汉理工大学《通信系统课群综合训练与设计》课程设计PAGE29 课程设计任务书学生姓名：专业班级：通信1003指导教师：郭志强工作单位：武汉理工大学题目:通信系统课群综合训练与设计初始条件：MATLAB软件，电脑，模式识别要求完成的主要任务:1、利用BP（Back-propagation）网络对于10个阿拉伯数字（用七段码表示）进行训练，将训练好的网络对于污染的数字进行识别。2、要求：学习BP算法；将数字用7维矢量表示；设计BP网络（7输入1输出）；参考matlab神经网络工具箱时间安排：序号设计内容所用时间1根据任务，分析BP网络原理，确定实验方案2天2根据实验条件进行测试，并对结果进行分析7天3撰写课程设计报告1天合计2周指导教师签名：年月日系主任（或责任教师）签名：年月日目录TOC\o"1-3"\h\u摘要 3ABSTRACT 31绪论 41.1人工神经网络研究背景和意义 41.2BP神经网络的介绍 41.3神经网络理论的应用 52BP网络 62.1BP网络的特点 62.2BP网络模型处理信息的基本原理 62.3基本BP算法公式推导 62.4基本BP算法的缺陷 102.5BP算法的改进 112.6BP网络的设计 123BP神经网络在实例中的应用 133.1基于MATLAB的BP神经网络工具箱函数 143.1.1BP网络创建函数 153.1.2神经元上的传递函数 153.1.3BP网络学习函数 163.1.4BP网络训练函数 163.2利用BP网络对污染数字的识别 173.2.1问题的提出 173.2.2将数字矢量表示 173.2.4网络训练 183.2.5网络测试 193.2.6用含噪声和不含噪声的数字样本进行训练 193.2.7测量网络容错性 193.2.8对污染数字进行识别 213.3仿真分析 223.3.1隐含神经元数目对仿真的影响： 223.3.2传递函数对仿真的影响 234结束语 235参考文献 246总程序 25摘要本文首先说明课题研究的目的和意义，简要介绍了神经网络理论的应用，然后分析了神经网络算法的基本原理，给出经典神经网络算法的具体实现方法，总结神经网络算法的特点，并给出神经网络算法的基本流程。采用Matlab软件编程实现BP神经网络算法。并且将神经网络算法应用于对数字的识别。设计了一个BP网络。利用BP网络对于10个阿拉伯数字（用七段码表示）进行训练，将训练好的网络对于污染的数字进行识别。设计采用单隐层的BP网络，根据设计要求，可以确定样本为7维的输入向量。所以有7个神经元作为输入层。因为网络的输出数据只有一个，则输出层只有1个神经元。网络的训练函数是traingdm。关键词：BP网络神经元数字识别ABSTRACTThispaperfirstshowsthepurposeandsignificanceofresearch,thispaperbrieflyintroducestheapplicationofneuralnetworktheory.Thenanalyzesthebasicprincipleofneuralnetworkalgorithm,andgivestheclassicalneuralnetworkalgorithmisaconcreterealizationmethod,summarizesthecharacteristicsoftheneuralnetworkalgorithm,andgivesthebasicprocessofneuralnetworkalgorithm.UsingMatlabsoftwareprogrammingtorealizetheBPneuralnetworkalgorithm.Andtheneuralnetworkalgorithmisappliedtothedigitalidentification.DesignaBPnetwork(7inputandoutput).BPnetworkfortenArabicnumerals(withsevensegmentcodesaid)training,andwillofthetrainednetworkdigitalidentificationforpollution.DesignUSESsinglehiddenlayerofBPnetwork,accordingtotherequirementofdesign,andthesamplecanbedeterminedfor7dinputvector.Sotherearesevenneuronsasinputlayer.Becausethenetworkofoutputdataisonlyone,theonlyoneoutputlayerneurons.Networktrainingfunctionistraingdm.Keywords:BPnetworkneuronnumberrecognition1绪论1.1人工神经网络研究背景和意义人工神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。人工神经网络就是模拟人思维的一种方式，是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。近年来通过对人工神经网络的研究，可以看出神经网络的研究目的和意义有以下三点：（1）通过揭示物理平面与认知平面之间的映射，了解它们相互联系和相互作用的机理，从而揭示思维的本质，探索智能的本源。（2）争取构造出尽可能与人脑具有相似功能的计算机，即神经网络计算机。（3）研究仿照脑神经系统的人工神经网络，将在模式识别、组合优化和决策判断等方面取得传统计算机所难以达到的效果。人工神经网络特有的非线性适应性信息处理能力，克服了传统人工智能方法对于直觉，如模式、语音识别、非结构化信息处理方面的缺陷，使之在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。人工神经网络与其它传统方法相结合，将推动人工智能和信息处理技术不断发展。近年来，人工神经网络正向模拟人类认知的道路上更加深入发展，与模糊系统、遗传算法、进化机制等结合，形成计算智能，成为人工智能的一个重要方向，将在实际应用中得到发展。将信息几何应用于人工神经网络的研究，为人工神经网络的理论研究开辟了新的途径。神经计算机的研究发展很快，已有产品进入市场。光电结合的神经计算机为人工神经网络的发展提供了良好条件。1.2BP神经网络的介绍BP神经网络是目前人工神经网络模式中最具代表性,应用得最广泛的一种模型,具有自学习、自组织、自适应和很强的非线性映射能力,可以以任意精度逼近任意连续函数.近年来,为了解决BP网络收敛速度慢,训练时间长等不足,提出了许多改进算法.然而,在针对实际问题的BP网络建模过程中,选择多少层网络,每层多少个神经元节点,选择何种传递函数等,均无可行的理论指导,只能通过大量的实验计算获得.MATLAB中的神经网络工具箱(NeuralNetworkToolbox,简称NNbox),为解决这一问题提供了便利的条件.神经网络工具箱功能十分完善,提供了各种MATLAB函数,包括神经网络的建立、训练和仿真等函数,以及各种改进训练算法函数,用户可以很方便地进行神经网络的设计和仿真,也可以在MATLAB源文件的基础上进行适当修改,形成自己的工具包以满足实际需要。此项课题主要是针对MATLAB软件对BP神经网络的各种算法的编程，将神经网络算法应用于对于污染的数字进行识别的问题中，并分析比较相关参数对算法运行结果的影响。1.3神经网络理论的应用神经网络理论的应用取得了令人瞩目的发展，特别是在人工智能、自动控制、计算机科学、信息处理、机器人、模式识别、CAD/CAM等方面都有重大的应用实例。下面列出一些主要应用领域：（1）模式识别和图像处理。印刷体和手写字符识别、语音识别、签字识别、指纹识别、人体病理分析、目标检测与识别、图像压缩和图像复制等。（2）控制和优化。化工过程控制、机器人运动控制、家电控制、半导体生产中掺杂控制、石油精炼优化控制和超大规模集成电路布线设计等。（3）预报和智能信息管理。股票市场预测、地震预报、有价证券管理、借贷风险分析、IC卡管理和交通管理。（4）通信。自适应均衡、回波抵消、路由选择和ATM网络中的呼叫接纳识别和控制。（5）空间科学。空间交汇对接控制、导航信息智能管理、飞行器制导和飞行程序优化管理等。2BP网络2.1BP网络的特点（1）输入和输出是并行的模拟量；（2）网络的输入输出关系是各层连接的权因子决定，没有固定的算法；（3）权因子通过学习信号调节。学习越多，网络越聪明；（4）隐含层越多，网络输出精度越高，且个别权因子的损坏不会对网络输出产生大的影响，只有当希望对网络的输出进行限制，如限制在0和1之间，那么在输出层应当包含S型激活函数。在一般情况下，均是在隐含层采用S型激活函数，而输出层采用线性激活函数。2.2BP网络模型处理信息的基本原理输入信号Xi通过中间节点（隐层点）作用于输出节点，经过非线形变换，产生输出信号Yk，网络训练的每个样本包括输入向量X和期望输出量t，网络输出值Y与期望输出值t之间的偏差，通过调整输入节点与隐层节点的联接强度取值Wij和隐层节点与输出节点之间的联接强度Tjk以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数（权值和阈值），训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。2.3基本BP算法公式推导基本BP算法包括两个方面：信号的前向传播和误差的反向传播。即计算实际输出时按从输入到输出的方向进行，而权值和阈值的修正从输出到输入的方向进行。…输出变量输入变量输入层隐含层输出层图2-1BP网络结构图中：表示输入层第个节点的输入，j=1,…,M；表示隐含层第i个节点到输入层第j个节点之间的权值；表示隐含层第i个节点的阈值；表示隐含层的激励函数；表示输出层第个节点到隐含层第i个节点之间的权值，i=1,…,q；表示输出层第k个节点的阈值,k=1,…,L；表示输出层的激励函数；表示输出层第个节点的输出。（1）信号的前向传播过程隐含层第i个节点的输入neti：（2-1）隐含层第i个节点的输出yi：（2-2）输出层第k个节点的输入netk：（2-3）输出层第k个节点的输出ok：（2-4）（2）误差的反向传播过程误差的反向传播，即首先由输出层开始逐层计算各层神经元的输出误差，然后根据误差梯度下降法来调节各层的权值和阈值，使修改后的网络的最终输出能接近期望值。对于每一个样本p的二次型误差准则函数为Ep：（2-5）系统对P个训练样本的总误差准则函数为：（2-6）根据误差梯度下降法依次修正输出层权值的修正量Δwki，输出层阈值的修正量Δak，隐含层权值的修正量Δwij，隐含层阈值的修正量。；；；（2-7）输出层权值调整公式：（2-8）输出层阈值调整公式：（2-9）隐含层权值调整公式：（2-10）隐含层阈值调整公式：（2-11）又因为：（2-12），，，（2-13）（2-14）（2-15）（2-16）所以最后得到以下公式：（2-17）（2-18）（2-19）（2-20）结束结束参数初始化：最大训练次数，学习精度，隐节点数，初始权值、阈值，初始学习速率等批量输入学习样本并且对输入和输出量进行归一化处理计算各层的输入和输出值计算输出层误差E(q)E(q)<ε修正权值和阈值YesNYes开始图2-2BP算法程序流程图2.4基本BP算法的缺陷BP算法因其简单、易行、计算量小、并行性强等优点，目前是神经网络训练采用最多也是最成熟的训练算法之一。其算法的实质是求解误差函数的最小值问题，由于它采用非线性规划中的最速下降方法，按误差函数的负梯度方向修改权值，因而通常存在以下问题：（1）学习效率低，收敛速度慢（2）易陷入局部极小状态2.5BP算法的改进2.5.1附加动量法附加动量法使网络在修正其权值时，不仅考虑误差在梯度上的作用，而且考虑在误差曲面上变化趋势的影响。在没有附加动量的作用下，网络可能陷入浅的局部极小值，利用附加动量的作用有可能滑过这些极小值。该方法是在反向传播法的基础上在每一个权值（或阈值）的变化上加上一项正比于前次权值（或阈值）变化量的值，并根据反向传播法来产生新的权值（或阈值）变化。带有附加动量因子的权值和阈值调节公式为：其中k为训练次数，mc为动量因子，一般取0.95左右。附加动量法的实质是将最后一次权值（或阈值）变化的影响，通过一个动量因子来传递。当动量因子取值为零时，权值（或阈值）的变化仅是根据梯度下降法产生；当动量因子取值为1时，新的权值（或阈值）变化则是设置为最后一次权值（或阈值）的变化，而依梯度法产生的变化部分则被忽略掉了。以此方式，当增加了动量项后，促使权值的调节向着误差曲面底部的平均方向变化，当网络权值进入误差曲面底部的平坦区时，i将变得很小，于是,从而防止了的出现，有助于使网络从误差曲面的局部极小值中跳出。根据附加动量法的设计原则，当修正的权值在误差中导致太大的增长结果时，新的权值应被取消而不被采用，并使动量作用停止下来，以使网络不进入较大误差曲面；当新的误差变化率对其旧值超过一个事先设定的最大误差变化率时，也得取消所计算的权值变化。其最大误差变化率可以是任何大于或等于1的值。典型的取值取1.04。所以，在进行附加动量法的训练程序设计时，必须加进条件判断以正确使用其权值修正公式。训练程序设计中采用动量法的判断条件为：，E（k）为第k步误差平方和。2.5.2自适应学习速率对于一个特定的问题，要选择适当的学习速率不是一件容易的事情。通常是凭经验或实验获取，但即使这样，对训练开始初期功效较好的学习速率，不见得对后来的训练合适。为了解决这个问题，人们自然想到在训练过程中，自动调节学习速率。通常调节学习速率的准则是：检查权值是否真正降低了误差函数，如果确实如此，则说明所选学习速率小了，可以适当增加一个量；若不是这样，而产生了过调，那么就应该减少学习速率的值。下式给出了一个自适应学习速率的调整公式：，E（k）为第k步误差平方和。初始学习速率(0)的选取范围可以有很大的随意性。2.5.3动量-自适应学习速率调整算法当采用前述的动量法时，BP算法可以找到全局最优解，而当采用自适应学习速率时，BP算法可以缩短训练时间，采用这两种方法也可以用来训练神经网络，该方法称为动量-自适应学习速率调整算法。2.6BP网络的设计2.6.1网络的层数理论上已证明：具有偏差和至少一个S型隐含层加上一个线性输出层的网络，能够逼近任何有理数。增加层数可以更进一步的降低误差，提高精度，但同时也使网络复杂化，从而增加了网络权值的训练时间。而误差精度的提高实际上也可以通过增加神经元数目来获得，其训练效果也比增加层数更容易观察和调整。所以一般情况下，应优先考虑增加隐含层中的神经元数。2.6.2隐含层的神经元数网络训练精度的提高，可以通过采用一个隐含层，而增加神经元数目的方法来获得。这在结构实现上，要比增加隐含层数要简单得多。那么究竟选取多少隐含层节点才合适？这在理论上并没有一个明确的规定。在具体设计时，比较实际的做法是通过对不同神经元数进行训练对比，然后适当地加上一点余量。2.6.3初始权值的选取由于系统是非线性的，初始值对于学习是否达到局部最小、是否能够收敛及训练时间的长短关系很大。如果初始值太大，使得加权后的输入和n落在了S型激活函数的饱和区，从而导致其导数f’(n)非常小，而在计算权值修正公式中，因为，当f’(n)时，则有。这使得，从而使得调节过程几乎停顿下来。所以一般总是希望经过初始加权后的每个神经元的输出值都接近于零，这样可以保证每个神经元的权值都能够在它们的S型激活函数变化最大之处进行调节。所以，一般取初始权值在（-1，1）之间的随机数。2.6.4学习速率学习速率决定每一次循环训练中所产生的权值变化量。大的学习速率可能导致系统的不稳定；但小的学习速率导致较长的训练时间，可能收敛很慢，不过能保证网络的误差值不跳出误差表面的低谷而最终趋于最小误差值。所以在一般情况下，倾向于选取较小的学习速率以保证系统的稳定性。学习速率的选取范围在0.01-0.8之间。3BP神经网络在实例中的应用快速发展的Matlab软件为神经网络理论的实现提供了一种便利的仿真手段。Matlab神经网络工具箱的出现，更加拓宽了神经网络的应用空间。神经网络工具箱将很多原本需要手动计算的工作交给计算机，一方面提高了工作效率，另一方面，还提高了计算的准确度和精度，减轻了工程人员的负担。神经网络工具箱是在MATLAB环境下开发出来的许多工具箱之一。它以人工神经网络理论为基础，利用MATLAB编程语言构造出许多典型神经网络的框架和相关的函数。这些工具箱函数主要为两大部分。一部分函数特别针对某一种类型的神经网络的，如感知器的创建函数、BP网络的训练函数等。而另外一部分函数则是通用的，几乎可以用于所有类型的神经网络，如神经网络仿真函数、初始化函数和训练函数等。这些函数的MATLAB实现，使得设计者对所选定网络进行计算过程，转变为对函数的调用和参数的选择，这样一来，网络设计人员可以根据自己的的需要去调用工具箱中有关的设计和训练程序，从烦琐的编程中解脱出来，集中精力解决其他问题，从而提高了工作效率。3.1基于MATLAB的BP神经网络工具箱函数最新版本的神经网络工具箱几乎涵盖了所有的神经网络的基本常用模型，如感知器和BP网络等。对于各种不同的网络模型，神经网络工具箱集成了多种学习算法，为用户提供了极大的方便。MatlabR2010a神经网络工具箱中包含了许多用于BP网络分析与设计的函数，BP网络的常用函数如表3.1所示。函数类型函数名称函数用途前向网络创建函数newcf创建级联前向网络Newff创建前向BP网络传递函数logsigS型的对数函数tansigS型的正切函数purelin纯线性函数学习函数learngd基于梯度下降法的学习函数learngdm梯度下降动量学习函数性能函数mse均方误差函数msereg均方误差规范化函数显示函数plotperf绘制网络的性能plotes绘制一个单独神经元的误差曲面plotep绘制权值和阈值在误差曲面上的位置errsurf计算单个神经元的误差曲面表3.1BP网络的常用函数表3.1.1BP网络创建函数1)newff该函数用于创建一个BP网络。调用格式为：net=newffnet=newff(PR,[S1S2..SN1],{TF1TF2..TFN1},BTF,BLF,PF)其中，net=newff;用于在对话框中创建一个BP网络。net为创建的新BP神经网络；PR为网络输入向量取值范围的矩阵；[S1S2…SNl]表示网络隐含层和输出层神经元的个数；{TFlTF2…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’。2）newcf函数用于创建级联前向BP网络，newfftd函数用于创建一个存在输入延迟的前向网络。3.1.2神经元上的传递函数传递函数是BP网络的重要组成部分。传递函数又称为激活函数，必须是连续可微的。BP网络经常采用S型的对数或正切函数和线性函数。1)logsig该传递函数为S型的对数函数。调用格式为：A=logsig（N）info=logsig（code）其中， N：Q个S维的输入列向量；A：函数返回值，位于区间（0，1）中；2）tansig该函数为双曲正切S型传递函数。调用格式为：A=tansig（N）info=tansig（code）其中，N：Q个S维的输入列向量；A：函数返回值，位于区间（-1，1）之间。3）purelin该函数为线性传递函数。调用格式为：A=purelin（N）info=purelin（code）其中，N：Q个S维的输入列向量；A：函数返回值，A=N。3.1.3BP网络学习函数1）learngd该函数为梯度下降权值/阈值学习函数，它通过神经元的输入和误差，以及权值和阈值的学习效率，来计算权值或阈值的变化率。调用格式为：[dW,ls]=learngd(W,P,Z,N,A,T,E,gW,gA,D,LP,LS)[db,ls]=learngd(b,ones(1,Q),Z,N,A,T,E,gW,gA,D,LP,LS)info=learngd(code)2)learngdm函数为梯度下降动量学习函数，它利用神经元的输入和误差、权值或阈值的学习速率和动量常数，来计算权值或阈值的变化率。3.1.4BP网络训练函数1）train神经网络训练函数，调用其他训练函数，对网络进行训练。该函数的调用格式为：[net,tr,Y,E,Pf,Af]=train(NET,P,T,Pi,Ai)[net,tr,Y,E,Pf,Af]=train(NET,P,T,Pi,Ai,VV,TV)2)traingd函数为梯度下降BP算法函数。traingdm函数为梯度下降动量BP算法函数。3.2利用BP网络对污染数字的识别3.2.1问题的提出要求设计一个BP网络，利用BP网络对于10个阿拉伯数字（用七段码表示）进行训练，将训练好的网络对于污染的数字进行识别。其中，将数字用7维矢量表示。3.2.2将数字矢量表示将10个阿拉伯数字用矢量表示（按照七段码规则）如下：number=[00100001000010000100001000010000100;%111111000010000111111100001000011111;%211111000010000111111000010000111111;%310100101001010011111001000010000100;%411111100001000011111000010000111111;%511111100001000011111100011000111111;%611111000010000100001000010000100001;%711111100011000111111100011000111111;%811111100011000111111000010000100001;%911111100011000110001100011000111111];%0的转置。输出目标向量为：targets=[1000000000010000000000100000000001000000000010000000000100000000001000000000010000000000100000000001]3.2.3网络的建立应用newff()函数建立BP网络结构。隐层神经元数目n可以改变，经过反复调试，当n=12时，网络比较合理。输出层有十个神经元。选择隐层和输出层神经元传递函数为tansig函数和purelin函数，网络训练的算法采用traingdm。网络建立的程序语句如下：S1=12;[R,Q]=size(number);[S2,Q]=size(targets);P＝number;net=newff(minmax(P),[S1S2],{‘logsig’’logsig’},’traingdx’);net.LW{2,1}=net.LW{2,1}*0.01;net.b{2}=net.b{2}*0.01;因为使用newff()函数建立函数网络时，权值和阈值的初始化是随机的，所以要根据经验调整输出层权值和阈值。3.2.4网络训练应用train（）函数对网络进行训练之前，需要预先设置网络训练参数。将训练时间设置为6000，训练精度设置为0.001，两次显示之间的训练步数为15，动量项因子为0.9，性能函数为均方误差性能函数，其他如下。net.performFcn='sse';net.trainParam.goal=0.001;net.trainParam.show=15;net.trainParam.epochs=5000;net.trainParam.mc=0.9;[net,tr]=train(net,P,T);3.2.5网络测试对于训练好的网络进行仿真：A=sim(net,P)测试结果如下：图3-13.2.6用含噪声和不含噪声的数字样本进行训练netn=net;netn.trainParam.goal=0.006;netn.trainParam.epochs=6000;T=[targetstargetstargetstargets];fori=1:10P=[number,number,(number+randn(R,Q)*0.1),(number+randn(R,Q)*0.2)];[netn,tr]=train(netn,P,T);endP=number;T=targets;netn.performFcn='sse';netn.trainParam.goal=0.001;netn.trainParam.show=15;netn.trainParam.epochs=6000;netn.trainParam.mc=0.9;[netn,tr]=train(netn,P,T);3.2.7测量网络容错性共分10个噪声级别，在每个噪声级别上分别利用100个噪声信号进行试验noise_range=0:0.05:0.5;max_test=100;T=targets;fori=1:11noise_level(i)=noise_range(i);errors1(i)=0;errors2(i)=0;forj=1:max_testP=number+randn(35,10)*noise_level(i);A=sim(net,P);AA=compet(A);errors1(i)=errors1(i)+sum(sum(abs(AA-T)))/2;An=sim(netn,P);AAn=compet(An);errors2(i)=errors2(i)+sum(sum(abs(AAn-T)))/2;end;end;figure(1);plot(noise_range,errors1/10/100,'r-',noise_range,errors2/10/100,'g-.');title(‘误差’);xlabel(‘噪声指标’);ylabel(‘未经过误差训练的网络-经过误差训练的网络-.’);图3-23.2.8对污染数字进行识别以噪声水平为0.4的噪声信号对数字进行污染，并分别利用含噪声和不含噪声的数字样本进行训练的网络对其进行识别。err=0.4;figure(2);forindex=1:1:10noisyJ=number(:,index)+randn(35,1)*err;e=index;subplot(6,5,e);plotchar(noisyJ);A2=sim(net,noisyJ);A2=compet(A2);answer=find(compet(A2)==1);%ËùÔÚÁÐsubplot(6,5,e+10);plotchar(number(:,answer));A3=sim(netn,noisyJ);A3=compet(A3);answer=find(compet(A3)==1);subplot(6,5,e+20);plotchar(number(:,answer));end;图3-3从上图中可以看出，经过含噪声训练的网络对数字的识别效果更好，只识别错了1个，而未含噪声训练的网络对数字的识别错了3个。3.3仿真分析3.3.1隐含神经元数目对仿真的影响：图3-4从上图中可以看出，在一定范围内随着隐含神经元数目的增多，仿真的效果越来越好，但是程序运行时间越来越长，神经元的冗余也在一定程度的增加，兼顾效率，在此我们选隐含神经元数为12。3.3.2传递函数对仿真的影响在隐含神经元个数为12的情况下，更改隐含层和输出层的传递函数为（tansig,logsig）、（tansig,tansig）,看识别效果。图3-54结束语本文首先总结了神经网络的研究目的和意义，介绍了神经网络的研究背景和现状，分析了目前神经网络研究中存在的问题，然后描述了BP神经网络算法的实现以及BP神经网络的工作原理，给出了BP网络的局限性。在以BP神经网络为基础的前提下，分析研究了BP神经网络对于10个阿拉伯数字（用七段码表示）进行训练，将训练好的网络对于污染的数字进行识别。本文虽然总结分析了BP神经网络算法的实现，给出了实例分析，但是还有很多的不足。本文所总结的BP神经网络和目前研究的现状都还不够全面，经过程序调试的图形有可能都还存在很多细节上的问题，而图形曲线所实现效果都还不够好，以及结果分析不够全面，正确，缺乏科学性等，这些都还是需加强提高的。近几年的不断发展，神经网络更是取得了非常广泛的应用，和令人瞩目的发展，在很多方面都发挥了其独特的作用，特别是在人工智能、自动控制、计算机科学、信息处理、机器人、模式识别等众多方面的应用实例，给人们带来了很多应用上到思考，和解决方法的研究。但是神经网络的研究最近几年还没有达到非常热门的阶段，这还需研究人员的不断研究和创新，在科技高度发达的现在，我们有理由期待，也有理由相信。我想在不久的将来神经网络会应用到更多更广的方面，人们的生活会更加便捷。5参考文献[1]周开利，康耀红编著.《神经网络模型及其MATLAB仿真程序设计》.2006:10-43[2]魏海坤.《神经网络结构设计的理论与方法》.国防工业出版社，2005.9:20-30[3]李学桥.《神经网络工程应用》.重庆：重庆大学出版社，1995.6:20-73[4]冯蓉,杨建华.《基于BP神经网络的函数逼近的MATLAB实现》[J].榆林学院学报,2007,(02)[5]李晓慧.《基于MATLAB的BP神经网络的应用》[J].科技信息,2010,(26)[6]徐远芳,周旸,郑华.《基于MATLAB的BP神经网络实现研究》[J].微型电脑应用,2006,(08)[7]郑君里,杨行峻.《人工神经网络》.北京:高等教育出版社,1992.5:15-30[8]郝中华.《BP神经网络的非线性思想》.洛阳师范学院学报2008.3(4)[9]巨军让，卓戎.《BP神经网络在Matlab中的方便实现》.新疆石油学院学报.2008.2(1)[10]蒋宗礼.《人工神经网络导论》.高等教育出版社，2001.5:15-906总程序number=[00100001000010000100001000010000100;%111111000010000111111100001000011111;%211111000010000111111000010000111111;%310100101001010011111001000010000100;%411111100001000011111000010000111111;%511111100001000011111100011000111111;%611111000010000100001000010000100001;%711111100011000111111100011000111111;%811111100011000111111000010000100001;%911111100011000110001