BP神经网络在分类与预测中的应用

一、BP神经网络二、徽章的分类三、光催化臭氧氧化处理自来水BP神经网络在分类与猜测中的应用BP神经网络在分类与猜测中的应用一、BP神经网络1.1神经网络(ArtificialNeuralNetwroks,简称ANN)1.1.1争论ANN目的利用机器仿照人类的智能是长期以来人们生疏自然、改造自然和生疏自身的抱负。(1)探究和模拟人的感觉、思维和行为的规律，设计具有人类智能的计算机系统。(2)探讨人脑的智能活动，用物化了的智能来考察和争论人脑智能的物质过程及其规律。BP神经网络在分类与猜测中的应用一、BP神经网络1.1神经网络(ArtificialNeuralNetwroks,简称ANN)1.1.1争论ANN目的1.1.2争论ANN方法(1)生理构造的模拟用仿生学观点，探究人脑的生理构造，把对人脑的微观构造及其智能行为的争论结合起来即人工神经网络〔ArtificialNeuralNetwroks，简称ANN〕方法。BP神经网络在分类与猜测中的应用一、BP神经网络1.1神经网络(ArtificialNeuralNetwroks,简称ANN)1.1.1争论ANN目的1.1.2争论ANN方法(1)生理构造的模拟(2)宏观功能的模拟从人的思维活动和智能行为的心理学特性动身，利用计算机系统来对人脑智能进展宏观功能的模拟，即符号处理方法。BP神经网络在分类与猜测中的应用一、BP神经网络1.1神经网络(ArtificialNeuralNetwroks,简称ANN)1.1.1争论ANN目的1.1.2争论ANN方法1.1.3ANN的争论内容(1)理论争论ANN模型及其学习算法，试图从数学上描述ANN的动力学过程，建立相应的ANN模型，在该模型的根底上，对于给定的学习样本，找出一种能以较快的速度和较高的精度调整神经元间互连权值，使系统到达稳定状态，满足学习要求的算法。BP神经网络在分类与猜测中的应用一、BP神经网络1.1神经网络(ArtificialNeuralNetwroks,简称ANN)1.1.1争论ANN目的1.1.2争论ANN方法1.1.3ANN的争论内容(1)理论争论(2)实现技术的争论探讨利用电子、光学、生物等技术实现神经计算机的途径。BP神经网络在分类与猜测中的应用一、BP神经网络1.1神经网络(ArtificialNeuralNetwroks,简称ANN)1.1.1争论ANN目的1.1.2争论ANN方法1.1.3ANN的争论内容(1)理论争论(2)实现技术的争论(3)应用的争论探讨如何应用ANN解决实际问题，如模式识别、故障检测、智能机器人等。BP神经网络在分类与猜测中的应用一、BP神经网络1.1神经网络(ArtificialNeuralNetwroks,简称ANN)1.1.1争论ANN目的1.1.2争论ANN方法1.1.3ANN的争论内容1.1.4人工神经网络概述

人工神经网络是由具有适应性简洁的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物体所作出的交互作用。BP神经网络在分类与猜测中的应用一、BP神经网络1.1神经网络(ArtificialNeuralNetwroks,简称ANN)1.1.1争论ANN目的1.1.2争论ANN方法1.1.3ANN的争论内容1.1.4人工神经网络概述

1.1.5脑神经信息活动的特征(1)巨量并行性(2)信息处理和存储单元的有机结合(3)自组织自学习功能

1.1.6ANN争论的目的和意义BP神经网络在分类与猜测中的应用一、BP神经网络1.1神经网络(ArtificialNeuralNetwroks,简称ANN)1.1.1争论ANN目的1.1.2争论ANN方法1.1.3ANN的争论内容1.1.4人工神经网络概述

1.1.5脑神经信息活动的特征(1)通过提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,提示思维的本质，探究智能的根源。1.1.6ANN争论的目的和意义BP神经网络在分类与猜测中的应用一、BP神经网络1.1神经网络(ArtificialNeuralNetwroks,简称ANN)1.1.1争论ANN目的1.1.2争论ANN方法1.1.3ANN的争论内容1.1.4人工神经网络概述

1.1.5脑神经信息活动的特征(2)争取构造出尽可能与人脑具有相像功能的计算机，即ANN计算机。

1.1.6ANN争论的目的和意义BP神经网络在分类与猜测中的应用一、BP神经网络1.1神经网络(ArtificialNeuralNetwroks,简称ANN)1.1.1争论ANN目的1.1.2争论ANN方法1.1.3ANN的争论内容1.1.4人工神经网络概述

1.1.5脑神经信息活动的特征(3)争论仿照脑神经系统的人工神经网络,将在模式识别、组合优化和决策推断等方面取得传统计算机所难以到达的效果。1.1.6ANN争论的目的和意义1.1.7神经网络争论的进展BP神经网络在分类与猜测中的应用一、BP神经网络1.1神经网络(ArtificialNeuralNetwroks,简称ANN)1.1.1争论ANN目的1.1.2争论ANN方法1.1.3ANN的争论内容1.1.4人工神经网络概述

1.1.5脑神经信息活动的特征(1)第一次热潮(40-60年月未)1943年，美国心理学家W.McCulloch和数学家W.Pitts在提出了一个简洁的神经元模型,即MP模型.1958年，F.Rosenblatt等研制出了感知机(Perceptron〕。1.1.6ANN争论的目的和意义1.1.7神经网络争论的进展BP神经网络在分类与猜测中的应用一、BP神经网络1.1神经网络(ArtificialNeuralNetwroks,简称ANN)1.1.1争论ANN目的1.1.2争论ANN方法1.1.3ANN的争论内容1.1.4人工神经网络概述

1.1.5脑神经信息活动的特征(2)低潮(70-80年月初)(3)其次次热潮1982年，美国物理学家提出Hopfield模型，它是一个互联的非线性动力学网络，他解决问题的方法是一种反复运算的动态过程,这是符号规律处理方法所不具备的性质。1987年首届国际ANN大会在圣地亚哥召开,国际ANN联合会成立，创办了多种ANN国际刊物。BP神经网络在分类与猜测中的应用一、BP神经网络1.1神经网络(ArtificialNeuralNetwroks,简称ANN)1.1.8神经网络根本模型BP神经网络在分类与猜测中的应用一、BP神经网络1.1.9人工神经网络争论的局限性1.1神经网络(ArtificialNeuralNetwroks,简称ANN)1.1.8神经网络根本模型〔1〕ANN争论受到脑科学争论成果的限制〔2〕ANN缺少一个完整、成熟的理论体系〔3〕ANN争论带有深厚的策略和阅历颜色〔4〕ANN与传统技术的接口不成熟BP神经网络在分类与猜测中的应用一、BP神经网络1.1.9人工神经网络争论的局限性1.1神经网络(ArtificialNeuralNetwroks,简称ANN)1.1.8神经网络根本模型黑箱BP神经网络在分类与猜测中的应用一、BP神经网络1.1.9人工神经网络争论的局限性1.1神经网络(ArtificialNeuralNetwroks,简称ANN)1.1.8神经网络根本模型黑箱一般而言,ANN与经典计算方法相比并非优越,只有当常规方法解决不了或效果不佳时ANN方法才能显示出其优越性.尤其对问题的机理不甚了解或不能用数学模型表示的系统,如故障诊断,特征提取和猜测等问题,ANN往往是最有利的工具.另一方面,ANN对处理大量原始数据而不能用规章或公式描述的问题,表现出极大的灵敏性和自适应性。BP神经网络在分类与猜测中的应用一、BP神经网络1.1神经网络(ArtificialNeuralNetwroks,简称ANN)1.2BP神经网络人工神经网络以其具有自学习、自组织、较好的容错性和优良的非线性靠近力气，受到众多领域学者的关注。在实际应用中，80%～90%的人工神经网络模型是承受误差反传算法或其变化形式的网络模型(简称BP网络),目前主要应用于函数靠近、模式识别、分类和数据压缩或数据挖掘。BP神经网络在分类与猜测中的应用一、BP神经网络1.1神经网络(ArtificialNeuralNetwroks,简称ANN)1.2BP神经网络Rumelhart，McClelland于1985年提出了BP网络的误差反向后传BP(BackPropagation)学习算法J.McClelland

DavidRumelhart

1.2.1BP神经网络概述BP神经网络在分类与猜测中的应用一、BP神经网络1.1

神经网络(ArtificialNeuralNetwroks,简称ANN)1.2BP神经网络BP算法根本原理利用输出后的误差来估量输出层的直接前导层的误差，再用这个误差估量更前一层的误差，如此一层一层的反传下去，就获得了全部其他各层的误差估量。1.2.1BP神经网络概述BP神经网络在分类与猜测中的应用一、BP神经网络1.1神经网络(ArtificialNeuralNetwroks,简称ANN)1.2BP神经网络1.2.1BP神经网络概述1.2.2BP神经网络特点神经网络能以任意精度靠近任何非线性连续函数。在建模过程中的很多问题正是具有高度的非线性。(1)非线性映射力气BP神经网络在分类与猜测中的应用一、BP神经网络1.1神经网络(ArtificialNeuralNetwroks,简称ANN)1.2BP神经网络1.2.1BP神经网络概述1.2.2BP神经网络特点在神经网络中信息是分布储存和并行处理的，这使它具有很强的容错性和很快的处理速度。(2)并行分布处理方式(1)非线性映射力气BP神经网络在分类与猜测中的应用一、BP神经网络1.1神经网络(ArtificialNeuralNetwroks,简称ANN)1.2BP神经网络1.2.1BP神经网络概述1.2.2BP神经网络特点神经网络在训练时，能从输入、输出的数据中提取出规律性的学问，记忆于网络的权值中，并具有泛化力气，马上这组权值应用于一般情形的力气。神经网络的学习也可以在线进展。(2)并行分布处理方式(3)自学习和自适应力气(1)非线性映射力气BP神经网络在分类与猜测中的应用一、BP神经网络1.1神经网络(ArtificialNeuralNetwroks,简称ANN)1.2BP神经网络1.2.1BP神经网络概述1.2.2BP神经网络特点神经网络可以同时处理定量信息和定性信息，因此它可以利用传统的工程技术〔数值运算〕和人工智能技术〔符号处理〕(2)并行分布处理方式(3)自学习和自适应力气(4)数据融合的力气(1)非线性映射力气BP神经网络在分类与猜测中的应用一、BP神经网络1.1神经网络(ArtificialNeuralNetwroks,简称ANN)1.2BP神经网络1.2.1BP神经网络概述1.2.2BP神经网络特点(2)并行分布处理方式(3)自学习和自适应力气神经网络的输入和输出变量的数目是任意的，对单变量系统与多变量系统供给了一种通用的描述方式,不必考虑各子系统间的解耦问题。(4)数据融合的力气(5)多变量系统(1)非线性映射力气BP神经网络在分类与猜测中的应用一、BP神经网络1.1神经网络(ArtificialNeuralNetwroks,简称ANN)1.2BP神经网络1.2.1BP神经网络概述1.2.2BP神经网络特点1.2.3BP神经网络模型三层BP网络的拓扑结构1.2.3BP神经网络模型(1)激活函数(传输函数〕必需处处可导一般都使用S型函数Sigmoid函数对数Sigmoid函数1.2.3BP神经网络模型(2)使用S型激活函数时BP网络输入与输出关系1.2.3BP神经网络模型传输函数输入输出(2)使用S型激活函数时BP网络输入与输出关系1.2.3BP神经网络模型输出的导数依据S型激活函数的图形可知,对神经网络进展训练，应当将net的值尽量把握在收敛比较快的范围内.输入输出BP神经网络在分类与预测中的应用一、BP神经网络1.1神经网络(ArtificialNeuralNetwroks,简称ANN)1.2BP神经网络1.2.1BP神经网络概述1.2.2BP神经网络特点1.2.3BP神经网络模型1.2.4BP神经网络的标准学习算法1.2.4BP网络的标准学习算法(1)学习的过程在外界输入样本的刺激下，不断转变网络连接的权值，以使网络的输出不断地接近期望的输出。(2)学习的本质对各连接权值的动态调整(3)学习规章权值调整规章，即在学习过程中网络各神经元的连接权值变化所依据确实定调整规章。1.2.4BP网络的标准学习算法将误差分摊给各层的全部单元-----各层单元的误差信号修正各单元权值

C.学习的过程：信号的正向传播误差的反向传播(4)算法思想A.学习的类型有导师学习B.核心思想将输出误差以某种形式通过隐层向输入层逐层反传A.正向传播输入样本－－－输入层－－－各隐层－－－输出层B.推断是否转入反向传播阶段假设输出层的实际输出与期望的输出〔教师信号〕不符.C.误差反传误差以某种形式在各层表示－－－－修正各层单元的权值.D.网络输出的误差削减到可承受的程度进展到预先设定的学习次数为止1.2.4BP网络的标准学习算法(5)算法核心(6)网络构造输入层有n个神经元，隐含层有p个神经元,输出层有q个神经元(7)变量定义

1.2.4BP网络的标准学习算法输入向量隐含层输入向量隐含层输出向量输出层输入向量输出层输出向量1.2.4BP网络的标准学习算法输入层与中间层的连接权值隐含层与输出层的连接权值隐含层各神经元的阈值输出层各神经元的阈值样本数据个数激活函数误差函数期望输出向量(8)

算法步骤1.2.4BP网络的标准学习算法第一步，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。其次步，随机选取第k个输入样本及对应期望输出(8)

算法步骤1.2.4BP网络的标准学习算法第三步，计算隐含层各神经元的输入和输出(8)

算法步骤1.2.4BP网络的标准学习算法

第四步，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。第五步，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。(8)

算法步骤1.2.4BP网络的标准学习算法(8)

算法步骤1.2.4BP网络的标准学习算法

第六步，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。(8)

算法步骤1.2.4BP网络的标准学习算法

第七步，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。(8)

算法步骤1.2.4BP网络的标准学习算法

第八步，计算全局误差

第九步，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。(8)

算法步骤1.2.4BP网络的标准学习算法whoe>0，此时Δwho<01.2.4BP网络的标准学习算法状况始终观表达当误差对权值的偏导数大于零时，权值调整量为负,实际输出大于期望输出，权值向削减方向调整，使得实际输出与期望输出的差削减。(9)

BP算法直观解释e<0,此时Δwho>0who(9)

BP算法直观解释1.2.4BP网络的标准学习算法状况二直观表达误差对权值的偏导数小于零时，权值调整量为正，实际输出少于期望输出，权值向增大方向调整，使得实际输出与期望输出的差削减BP神经网络在分类与预测中的应用一、BP神经网络1.1神经网络(ArtificialNeuralNetwroks,简称ANN)1.2BP神经网络1.2.1BP神经网络概述1.2.2BP神经网络特点1.2.3BP神经网络模型1.2.4BP神经网络的标准学习算法1.2.5BP神经网络的学习算法的MATLAB实现

函数名功能newff()生成一个前馈BP网络tansig()双曲正切S型(Tan-Sigmoid)传输函数logsig()对数S型(Log-Sigmoid)传输函数traingd()梯度下降BP训练函数1.2.4BP网络学习算法的MATLAB实现

(1)MATLAB中BP神经网络的重要函数和根本功能1.2.4BP网络学习算法的MATLAB实现

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为创立的新BP神经网络；PR为网络输入向量的取值范围的矩阵；[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’。(1)MATLAB中BP神经网络的重要函数和根本功能tansig()功能正切sigmoid激活函数格式a=tansig(n)说明双曲正切Sigmoid函数把神经元的输入范围从(-∞，+∞)映射到(-1，1)。它是可导函数，适用于BP训练的神经元。logsig()功能对数Sigmoid激活函数格式a=logsig(n)说明对数Sigmoid函数把神经元的输入范围从(-∞，+∞)映射到(0，1)。它是可导函数，适用于BP训练的神经元。1.2.4BP网络学习算法的MATLAB实现

(1)MATLAB中BP神经网络的重要函数和根本功能：最大训练步数。不过当误差准则满足时，即使没到达此步数也停顿训练。缺省为100。：网络误差准则，当误差小于此准则时停顿训练，缺省为0。net.trainFcn：训练算法。缺省为’trainlm’，即Levenberg-Marquardt算法。还可使用‘traingdx’，即带动量的梯度下降算法；’traincgf’，即共轭梯度法。其它可看matlab帮助:help->contents->NeuralNetworkToobox->NetworkObjectReference;help(net.trainFcn)1.2.4BP网络学习算法的MATLAB实现

(1)MATLAB中BP神经网络的重要函数和根本功能1.2.4BP网络学习算法的MATLAB实现

(1)MATLAB中BP神经网络的重要函数和根本功能例下表为某药品的销售状况，月份123456销量205623952930229816341600月份789101112销量1873147819001500204615561.2.4BP网络学习算法的MATLAB实现

(2)

实例现构建一个如下的三层BP神经网络对药品的销售进展猜测：输入层有三个结点,隐含层结点数为5，隐含层的激活函数为tansig；输出层结点数为1个,输出层的激活函数为logsig,并利用此网络对药品的销售量进展猜测,猜测方法承受滚动猜测方式,即用前三个月的销售量来猜测第四个月的销售量,如用1、2、3月的销售量为输入猜测第4个月的销售量,用2、3、4月的销售量为输入猜测第5个月的销售量.如此反复直至满足猜测精度要求为止。%以每三个月的销售量经归一化处理后作为输入P=[0.5152 0.8173 1.0000;0.8173 1.0000 0.7308;1.0000 0.7308 0.1390;0.7308 0.1390 0.1087;0.1390 0.1087 0.3520;0.1087 0.3520 0.1065;]”;%以第四个月的销售量归一化处理后作为目标向量T=[0.73080.13900.10870.35200.10650.3761];%创立一个BP神经网络，每一个输入向量的取值范围为[0,1],隐含层有5个神经%元，输出层有一个神经元，隐含层的激活函数为tansig，输出层的激活函数为%logsig，训练函数为梯度下降函数.net=newff([01;01;01],[5,1],{”tansig”,”logsig”},”traingd”);=15000;=0.01;%设置学习速率为0.1LP.lr=0.1;net=train(net,P,T);1.2.4BP网络学习算法的MATLAB实现

(2)

实例1.2.4BP网络学习算法的MATLAB实现

BP网络应用于药品猜测比照图(2)

实例由比照图可以看出猜测效果与实际存在确定误差，此误差可以通过增加运行步数和提高预设误差精度使其进一步缩小徽章问题是一个典型的分类问题。我们可以用一个具体的例子描述：在某个国际会议上，参与会议的280名代表每人收到会议组织者发给一枚徽章，徽章的标记为“＋”或“－”。会议的组织者声明：每位代表得到徽章“＋”或“－”的标记只与他们的姓名有关，并希望代表们能够找出徽章“＋”与“－”的分类方法。由于客观缘由，有14名代表没能参与此次会议。依据代表们找出的方法推断，假设他们参与会议将得到的徽章类型。徽章问题的背景BP神经网络在分类与猜测中的应用二、徽章的分类徽章代表姓名徽章代表姓名+NaokiAbe

-MyriamAbramson

+DavidW.Aha+KamalM.Ali-EricAllender+DanaAngluin+MinoruAsada-ChidanandApte+LarsAsker+JavedAslam+PeterBartlett+JoseL.Balcazar+PeterBartlett+JoseL.BalcazarBP神经网络在分类与猜测中的应用徽章问题的背景二、徽章的分类徽章代表姓名徽章代表姓名+WeltonBecket+MichaelW.Barley-CristinaBaroglio+HaralabosAthanassiou…………-EricBaum+TimothyP.BarberBP神经网络在分类与猜测中的应用徽章问题的背景二、徽章的分类徽章代表姓名徽章代表姓名MerrickL.FurstJeanGabrielGanascia

WilliamGasarchRicardGavaldaYolandaGilMelindaT.GervasioDavidGillmanAttilioGiordanaKateGoelzPaulW.GoldbergSallyGoldmanDianaGordonGeoffreyGordonJonathanGratch14名未参与会议的代表BP神经网络在分类与猜测中的应用徽章问题的背景二、徽章的分类徽章代表姓名徽章代表姓名?MerrickL.Furst?JeanGabrielGanascia

?WilliamGasarch?RicardGavalda?YolandaGil?MelindaT.Gervasio?DavidGillman?AttilioGiordana?KateGoelz?PaulW.Goldberg?SallyGoldman?DianaGordon?GeoffreyGordon?JonathanGratchBP神经网络在分类与猜测中的应用徽章问题的背景二、徽章的分类14名未参与会议的代表Y初始化给定导师信号计算个节点网络输出计算反向误差权值学习学习结束？对测试样本分类结束NBP神经网络在分类与猜测中的应用模型一

我们先做第一种尝试，将人名的前五个字母进展编号，a~z分别对应0~25，即每个人名的特征值是一个长度为5的一维列向量,总共280个人名就是个5*280的矩阵p，作为网络输入。将题目中的徽章问题量化，假设徽章为＋则为1,徽章为－则为0,就形成一个1*280的矩阵t，作为目标输出。BP神经网络在分类与猜测中的应用将这些特征值作为训练样本,通过Matlab的工具箱对BP分类算法进展训练，并确定权值，具体程序，注释及结果如下：模型一

BP神经网络在分类与猜测中的应用>>net=newff([025;025;025;025;025],[100,1],{”logsig”,”purelin”},”trainlm”);//创立一个神经网络，每个字母所对应的量化值的输入范围0～25，神经网络有2层，第一层有100个神经元，其次层1个，传递函数分别是S型和线性，训练方式trainlm。>>net=init(net);//初始化神经网络>>=1e-020;//设定最小梯度值，提高训练效果>>net=train(net,p,t);TRAINLM,Epoch0/100,MSE4.78695/0,Gradient4628.35/1e-020TRAINLM,Epoch25/100,MSE0.000969475/0,Gradient4.93588/1e-020TRAINLM,Epoch50/100,MSE6.16266e-005/0,Gradient4.48141/1e-020TRAINLM,Epoch72/100,MSE4.00219e-031/0,Gradient1.53435e-013/1e-020TRAINLM,MaximumMUreached,performancegoalwasnotmet.模型一

BP神经网络在分类与猜测中的应用训练次数与训练精度的关系图

BP神经网络在分类与猜测中的应用

将用于训练的输入数据p代入训练后的神经网络，输出结果为a矩阵模型一

a=sim(net,p)a=Columns1through91.00000.00001.00001.00000.00001.0000-0.00001.00001.0000Columns10through181.00001.00001.00001.00001.0000-0.00001.0000-0.00001.0000〔后面数据略〕将它和用于训练的目标输出矩阵t比照可以看出，吻合得很好BP神经网络在分类与猜测中的应用模型一

a=sim(net,n)a=Columns1through81.38890.85041.00000.9551-0.0006-0.05151.0000-0.7714Columns9through141.07760.99772.06550.46730.47941.0000

将14个待分类的人名的前五个字母编码输入神经网络，得到的结果如下：

可以看到,这个结果不是很好,由很多介于0和1之间的数字,从这里的分析可以看出,选取字母的编码作为特征值是合理的，但需要对特征值的选取方案进展细化。BP神经网络在分类与猜测中的应用模型二

对所给出的280个人名取特征值,我们将人名的第一个字母的进展编号，a~z分别对应0~25，并将这些特征值带入到BP网络中去进展训练，具体程序如下：>>net=newff([025],[100,1],{”logsig”,”purelin”},”trainlm”);>>net=train(net,p,t);TRAINLM,Epoch0/100,MSE36.4541/0,Gradient10111.3/1e-010TRAINLM,Epoch6/100,MSE0.115783/0,Gradient7.80296e-013/1e-010TRAINLM,Minimumgradientreached,performancegoalwasnotmet.>>=1e-020;>>net=train(net,p,t);TRAINLM,Epoch0/100,MSE0.115783/0,Gradient7.80296e-013/1e-020TRAINLM,Epoch3/100,MSE0.115783/0,Gradient1.18794e-012/1e-020TRAINLM,MaximumMUreached,performancegoalwasnotmet.BP神经网络在分类与猜测中的应用模型二

从训练状况可以看出，在误差值比较大的时候训练就停顿了，将输入p带入训练后的矩阵，觉察输出结果与t很不全都，说明这里找不到分类的规律。BP神经网络在分类与猜测中的应用模型三

对所给出的280个人名取特征值,我们将人名的其次个字母的进展编号，a~z分别对应0~25，并将这些特征值带入到BP网络中去进展训练，具体程序如下：BP神经网络在分类与猜测中的应用模型三

>>net=newff([025],[100,1],{”logsig”,”purelin”},”trainlm”);>>net=init(net);>>=100;>>=1e-020;>>net=train(net,p,t);TRAINLM,Epoch0/100,MSE1.33712/0,Gradient889.071/1e-020TRAINLM,Epoch7/100,MSE0.00352734/0,Gradient2.11219e-012/1e-020TRAINLM,MaximumMUreached,performancegoalwasnotmet.>>a=sim(net,p)训练后的BP神经网络,输入参与训练的数据p,验证数据，可以看出，和所给人名所对应的徽章满足的很好，所得到的数据如下：BP神经网络在分类与猜测中的应用模型三

a=Columns1through80.98770.00000.98770.9877-0.00000.98770.00001.0000Columns9through160.98770.98770.98771.00001.00001.0000-0.00001.0000训练次数和训练精度的关系

收敛的速度相当之快

BP神经网络在分类与猜测中的应用模型三

对于待分类的人名，先将其做同样的量化，如下：>>n=[44884140190008414];>>a=sim(net,n)用已训练完的BP神经网络对其进展分类，得到的结果如下：a=Columns1through81.00001.00001.00001.00001.00001.00000.98770.0000Columns9through140.98770.98770.98771.00001.00001.0000可以看出，也是呈0-1的分布，和分类的要求比较接近。BP神经网络在分类与猜测中的应用分类方法确实定通过模型一,模型二和模型三的比较，我们可以看出模型三的特征值的取法所得的BP算法对于所给的280个数据的正确率为100％,并且对于14个待分类的人名计算得到的特征值从数据本身看来非0即1,可见模型三所对应的分类方法有可能是可行的，即我们可以通过对名字的其次个字母的某种标准进展分类。我们通过对其次个字母的多种分类方法进展尝试,得到通过其次个字母的元辅音进展分类,即其次个字母是元音为＋,为辅音为－,并对280个所给人名进展分类,结果与所给分类方式全都，可见这就是我们要找的分类方法。BP神经网络在分类与猜测中的应用分类方法确实定用这种分类方法对14个待分类人名进展分类得到的结果如下：11111110111111