BP神经网络及其仿真实例

BP神经网络及其仿真实例BPNeuralNetworkandTheSimulationExample摘要：BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，英文全称为Backpropagationneuralnetwork。它是人工神经网络的重要组成部分、精华部分。它能够解决实际生活中十分普遍的复杂的、规律不明显的非线性问题，给现代生活的各个领域如医疗、生物、经济和自动化控制等提供了极大的便利。本文通过建立BP神经网络模型，对BP学习过程的了解以及对基于Matlab软件的BP仿真实例的分析得BP神经网络仿真方法及控制思路。关键词：人工神经网络；BP神经网络；Matlab；仿真。Abstract:BPneuralnetworkisamulti-layerfeedforwardneuralnetworktrainedaccordingtotheerrorreversepropagationalgorithm.TheEnglishnameisBackprocessnetwork.Itisanimportantpartandessenceofartificialneuralnetwork.Itcansolvethecomplexandnon-obviousnonlinearproblemsthatareverycommoninreallife,andprovidesgreatconvenienceforallareasofmodernlifesuchasmedical,biological,economic,andautomationcontrol.ThroughtheestablishmentofBPneuralnetworkmodel,theunderstandingofBPlearningprocessandtheanalysisofBPsimulationcasebasedonMatlabsoftware,theBPneuralnetworksimulationmethodandcontrolideasareobtained.Keywords:artificialneuralnetwork;BPneuralnetwork;Matlab;Simulation.1人工神经网络（ANN），英文全称为ArtificialNeuralNetwork,有时也被简称神经网络（NN），是由人工神经元（简称神经元）互联构成的网络，是模仿人脑结构和功能而设计的一种信息处理系统。目前BP、Hopfield、SOM以及RBF均是较为常用的神经网络，其中BP神经网络是应用范围最大的一种。本文将通过对BP神经网络仿真实例的分析来了解出基于Matlab软件的BP神经网络仿真方法及控制思路。2人工神经网络发展之初，科学家们提出了感知机的概念，最基本的感知机被称之为单层感知机，它所应用的是人工神经网络模型中最为简单的一种——单层感知网络（M-P模型）。顾名思义，单层感知网络即是指只拥有一层计算节点（神经元）的一种网络模式，由于只有输入层与输出层，所以它的结构十分简单，所涉及的计算也较少。但是单层感知机并没有被广泛应用，这是由于它只能解决简单的线性可分的分类问题，然而实际生活中这样简单的问题实在是少之又少。那么复杂的问题应该如何才能被解决呢，这时多层感知机便应运而生。为了完成更加复杂的工作任务，在单层感知机的基础上，人们在输入层与输出层之间插入多个隐含层，以此来使网络可以提取出更多的有用信息。这种有多层神经单元的感知机就是多层感知机，它所对应的网络被称为多层向前神经网络。与此同时，一种特殊的算法也被多名科学家独立发现，并在数学上给出了完整推导，这种算法也就是我们所熟知的BP算法。BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，英文全称为Backpropagationneuralnetwork。它是人工神经网络的重要组成部分、精华部分。它能够解决实际生活中十分普遍的复杂的、规律不明显的非线性问题，给现代生活的各个领域如医疗、生物、经济和自动化控制等提供了极大的便利。（一）BP神经网络模型输入层隐层输出层X1Wmi WipX2y Y1XmXMYpm=(1，2，3…M)i=(1,2,3…I)p=(1,2,3…P)图1.BP神经网络模型隐节点输出模型为:Oi=f(∑Wmi×Xi-qi)输出节点输出模型为:Yp=F(∑Wip×Oi-qp)作用函数模型：Sigmoid函数(S型曲线）f(x)=1/(1+e-x)(0<x<1)误差计算模型：Ep=1/2∑（tpm-Opm）注：f为非线型作用函数；q为神经单元阈值；tpm为节点的期望输出值；Opm为节点计算输出值。BP的学习过程：（1）工作信号正向传播：输入信号由第一层（输入层）进入神经网络，然后传递给中间层（隐含层），再由最后一层（输出层）输出实际值。在此过程中，各权值W是固定不变的。假如输出层的输出值始终与期望值相差很远，那么这时我们将定义误差信号=实际输出值-期望值，然后误差信号转入反向传递。（2）误差信号反向传播：误差信号由输出层开始经过隐含层传向输入层。在这个传递的过程中，原先固定不变的权值随着误差反馈开始不断修正调节，通过权值的不断修正使得输出值逐步趋近期望值。（三）BP仿真过程与实例：分析实际问题，将具体的问题抽象化，提取出问题中的有用信息，提炼相互其中BP神经网络可接受的数据。选择网络参数，即分别确定输入层，隐含层，输出层的神经元个数，以及隐含层的层数。确定训练模式，选择训练算法，确定学习速率以及期望误差。选择测试样本，对网络进行辨别测试，直至所设计的BP网络能够正确识别所有的测试样本。下面我们按照上诉步骤来了解一个BP神经网络的仿真实例，以便更好的理解例1试用BP网络进行0∽9十个数字字符的识别。解：0123456789表10123456789表2设BP网络训练样本为0∽9十个数字的印刷体字符，大小为32像素*32像素，图片格式为256灰度级，如表1所示；然后将测试样本设置为原样本加上均值0、方差0.002的高斯噪声，如表2所示。根据题目要求，将网络结构设计为三层式，即只有一个隐含层；设输入层的神经元个数——1024，隐含层的神经元个数——16，输出层的神经元个数——1。设输入层到隐含层的激活函数为Sigmoid函数，从隐含层到输出层的激活函数为线性函数。将期望输出设置为0∽9。η（学习速率）0.0003；▽E（期望误差）为0.2;s（最大训练步数）为1000。通过Matlab得出网络训练的误差曲线图。然后以上述加噪样本为测试样本，对网络进行识别测试，得出所设计BP网络能够正确识别所有测试样本，实验结束。（四）BP神经网络的局限性以及改进措施尽管BP神经网络为人们解决非线性问题提供了极大便利，但它仍然存在有一些不可忽略的局限性：当训练集较大时收敛速度很慢；局部极小点存在于目标函数之中无法消除。为了解决这些问题，人们通过不断的实践提出了一些改进的措施，常用的方法有：（1）在BP算法中加入动量项。（2）优先使用顺序方法。（3）选用奇函数作为激励函数。（4）归一化输入信号。（5）充分利用先验信息等。3结束语：综上所述，BP神经网络的仿真重点在于具体问题的抽象化以及各类网络参数的提取。而BP神经网络控制的基本思想是以一种仿生的角度去模拟人脑执行任务时神经系统的运行方式，从而使机器人具有向人一样看待，思考以及推理的能力。正是因为对BP神经网络的仿真与控制，使得人类在面对生产生活中的各类复杂的非线性的实际问题，能够拥有更加便利的解决问题方法。参考文献：[1].高隽.人工神经网络原理及仿真实例[M].-北京：机械工业出版社，2003.7[2].王晓红.神经网络理论方法及控制技术应用研究[M].-北京：中国水利水电出版社，2017.11[3].程玥.BP神经网络的算法改进与应用研究[D].2011[4].王璇.基于BP神经网络的手写数字识别的算法[J].自动化技术及应用，2015[5].靳松.参数自调节的BP——神经网络研究[D].2003[6].关保林.基于改进遗传算法的BP神经网络手写数字识别[J].化工自动化及仪表.2013[7].王俊平.BP神经网络的学习过程与算法分[J].计算机光盘软件与应用.2014[8].刘彩红.BP神经网络学习算法的研究[D].2008[9].李友坤.BP神经网络的研究分析及改进应用[D].2012[10].张立琪.调节系数的BP神经网络在字符识别中的研究[D].2010【评语】