人工神经网络-BP神经网络

人工神经网络

—BP神经网络Contents神经网络BP神经网络应用实例在matlab中的实现BP网络模型改进神经网络简介神经网络是什么？神经网络是神经网络是一个高度非线性动力学系统。基础在于生物神经元。神经网络结构◆前馈性网络◆反馈型网络输入层隐层输出层神经网络的学习方法◆有教师的学习方式

外界存在一个教师，对给定的一组输入，提供应有的输出（标准答案），学习系统可根据实际输出与标准答案之间的差值来调整系统参数学习系统教师环境输入应有响应

+误差信号实际响应

—

◆无教师学习

学习系统按照环境提供数据的某些统计规律来调节自身参数环境学习系统输入◆强化学习：环境对系统输出结果只给出评价信息（奖或惩），系统通过强化受奖动作来改善自身性能环境学习系统动作输出输入状态神经网络的特点生物神经元非局限性非线性非凸性非常定性BP神经网络BP神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hidelayer)和输出层(outputlayer)。BP神经网络工作原理BP算法隐含层节点数的确定1）n1=(n+m)1/2+a2)n1=log2nn1:隐含层单元数n:输入单元数m:输出单元数BP算法初始权值的确定选择-1~1之间的随机数，系统自动默认初始阈值的确定

-2.5~2.5之间的随机数，系统自动默认

都可以通过语句自行设置BP算法步骤2.随机选取第个输入样本及对应期望输出

1.网络初始化

给各连接权值分别赋一个区间（-1，1）内的随机数，设定误差函数e，给定计算精度值和最大学习次数M。BP算法步骤3.计算隐含层各神经元的输入和输出BP算法步骤4.利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数。

BP算法步骤5.利用隐含层到输出层的连接权值、输出层的和隐含层的输出计算误差函数对隐含层各神经元的偏导数。

BP算法步骤BP算法步骤6.利用输出层各神经元的和隐含层各神经元的输出来修正连接权值。

BP算法步骤7.利用隐含层各神经元的和输入层各神经元的输入修正连接权。BP算法步骤8.计算全局误差9.判断网络误差是否满足要求。当误差达到预设精度或学习次数大于设定的最大次数，则结束算法。否则，选取下一个学习样本及对应的期望输出，返回到第三步，进入下一轮学习。

应用实例Matlab实现P=[0.24 0.220.370.260.360.15;0.220.370.260.360.150.18;0.370.260.360.150.180.11;0.260.360.150.180.110.18;0.360.150.180.110.180.11;0.150.180.110.180.110.18;]';T=[0.180.110.180.110.180.10];net=newff([01;01;01

;01

;01

;01],[5,1],{'tansig','purelin'},'traingd');net.trainParam.epochs=10000;net.trainParam.goal=0.0001;LP.lr=0.01;net=train(net,P,T);iwl=net.iw{1}b1=net.b{1}lw2=net.LW{2}b2=net.b{2}savenet;loadnet

;x=[0.