《神经网络应用》PPT课件.ppt

1、1、第七届神经网络、尚涛、电子信息工程学院Tel 2，2，主要内容，人工神经网络介绍神经网络工具箱应用实例，第1部分人工神经网络介绍控制特罗尔工具箱信号处理工具箱(Signal Processing toolbox ) “系统识别工具箱”“原始男低音特罗尔工具箱”“lysis和同步工具箱定量种子文件回推理论工具箱”和“qft工具箱”两种类型的工具“神经网络工具箱”(Neural Network toolbox )优化工具箱(Optimisation toolbox )数据库工具箱(daalbox) Matlab有30个工具包但是，使用它解决某种自动智能问题面临着很大

2、的困难。 例如，一个人可以很容易地识别他人的脸孔，但是在电脑上很难实现。 大脑是由生物神经元构成的巨大网络，它本质上与计算机不同，是一个大规模的并行处理系统，具有学习、联想记忆、综合等能力，具有巧妙的信息处理方法。 人工神经网络来源于人脑实际神经网络的模拟，而神经网络的发展历史、背景知识、人工神经网络(Artificial Neural Netwroks，简称ANN )是人脑系统的模拟实际上，它是由大量、功能比较简单的形式的神经元相互连接构成的复杂的网络系统，可以用来模拟大脑的许多基本功能和简单的思维方法。 它虽然还不是大脑的完美模型，但可以通过学习获得外部知识并保存在网络中，从而解决计算机难

3、以处理的问题，尤其是语音和图像的识别、理解、知识的处理、组合优化校正运算和智能控制等一系列本质上非校正性的问题。 2人工神经网络是什么？1943年，美国心理学家W.McCulloch和数学家W.Pitts提出了一个简单的神经元模型，即MP模型。 1958年，F.Rosenblatt等人开发了探测器(Perceptron )。 3 .一些发展阶段，第一次风潮(40-60六十年代未)，1982年，美国物理学家J.J.Hopfield提出了Hopfield模型，它是互连的非线性动力学网络他解决问题的方法是迭代计算的动态过程，这是符号逻辑处理方法低潮(70-80年代初)、第二次风潮、1 .生物神经元模

4、型、二、生物神经元、生物神经元模型是简单的信号处理器。 树突是神经元的信号输入通道，接收来自其他神经元的信息。 轴索是神经元的信号输出通道。 信息的处理和传递主要发生在突触附近。 神经元细胞通过树突接收脉冲信号，通过轴索传递到突触前膜。 脉冲宽度超过一定的强度，即超过其阈值电位时，突触前膜向突触间隙释放神经传递的化学物质(胆碱能系统)，突触后膜上的络离子通道开放，发生络离子流，突触后膜上发生正或者负的电位，称为突触后电位。 2、生物神经元模型的运行反应历程、突触有兴奋性突触和抑制性突触两种。 前者产生正突触后电位，后者产生负突触后电位。 一个神经元的各树突和细胞通过突触与许多其他神经元相连。

5、这些个的突触后电位的变化，当这些个的突触后电位的总和超过某个阎值时，这个神经元就会被激活，就会产生脉冲，而且产生的脉冲数与这个电位的总和值的大小有关。脉冲沿着轴索传递到其他神经元，实现了神经元之间的信息传递。 连结权：加法手段：激励函数(响应函数) :三，人工神经元模型，1 .人工神经元模型的三要素，模型中输入信号，输出信号，神经元的阈值。 该模型的数学表达式有：2 .人工神经元模型的数学表达式1，3 .人工神经元模型的数学表达式2，阈值函数：段线形函数： sigmoid函数：4 .激励函数的形式，种子文件正向型网络：种子文件反向型网络： 4、各连接线上的权重通过学习来修正工作期间：固定连接线

6、，修正针织面料物态变化，达到一定的稳定状态，2、工作方式，有人民教师学习：外部有人民教师，对某一组输入提供一定的输出(标准解答)， 学习系统可以根据实际输出和标准解答的差异来调整系统残奥表的无人民教师学习：学习系统按照环境提供数据的某一统一修正规则来调节自己的残奥表，加强学习：环境只是对系统的输出结果给予评价信息(奖励或矫正)，而系统则通过加强获奖动作来改善自己的性能。 考察神经元k在n个时刻的投入产出输入：实际输出：应有的输出：从误差信号中建构能量函数：其中e (.)求出期待算子求解最优化问题：求出系统残奥计：2.学习规则，通常把时刻n的瞬时值置换为j， 这就是说，解开最优化问题是数值重复算

7、法(例如在梯度下降中的学习步骤，由神经学家Hebb提倡的学习规则在一个连接的两端的神经元被激活(或者相同的抑制)时应当增强其连接的强度且相反地应当减弱。 在数学上，两端的神经元的状态分别最常用的是、3. Hebb学习规则，其中，6、BP算法(后向传播算法)相对于多层种子文件的前向型网络，在网络中流过2种信号； 施加输入信号在输出层产生实际的输出信号之前进行前方传播，作为输入信号和权重的函数(2)误差信号，根据网络的实际的输出和输出的差导出用于多层种子文件前向型网络学习的BP算法，接着关于样本学习的情况，如右图所示导出BP算法， 如果存在将对小区j的净输入求梯度的j-up针织面料的层是输出层，则

8、此处称为局部梯度，并且如果存在j-up针织面料的层是隐藏层，则权重校正量是第二子网工具箱、BP网络、一.多层前向神经net=newff (A ()，残奥仪表说明，b是k维行向量，其要素是每个隐藏层节点数，trainfun是学习规则中采用的训练函数(一般训练函数如下表所示)。 c是k维字符串的行向量，各成分是对应层的神经元的激励函数，一般的训练函数、MATLAB的激励函数，其字符串分别是logsig、tansig、purelin、激励函数，除了需要输入a、b、c、trainfun以外、net、tr、Y1、E=train (net、x、y )、2 .网络培训、网络培训、培训关蕾丝花边信息、培训后网

9、络、网络实际输出、y是mM矩阵，即输出数据矩阵。训练结束后，对新的输入点数据X2调用sim函数并得到这些个的输入点的输出矩阵Y2 .数据泛化、Y2=sim(net，X2 )，对于在训练后的网络上不是样本定径套的输入计算相应的输出。 什么是数据泛化？ 3 .数据泛化，示例7-1从以下语句生成一系列数据x和y，并在神经网络上执行数据拟合x=0:1:10，y=0. 12 * exp (-0.213 * x )0. 54 * exp (-0.17 * x ).* sin (-0.17 * x ) 可知(x，y )是曲线上的点。 x=0:1:10； y=0. 12 * exp (-0.213 * x )

10、0. 54 * exp (-0.17 * x ). * sin (1. 23 * x )。 net=newff(0、10、5、1、坦西格、坦西格)； net.trainParam.epochs=1000； 网络=训练(网络、x、y )； x0=0:1:10； 图形(1) y1=sim (网络，x0)； 基于plot(x、y、o、x0、y1、r )、nntool命令的神经网络格拉夫定快速交互如下：二、神经网络交互、第三部分应用例、 实例1蟹虫分类问题的神经网络方法(1989年MCM竞技主题已测得的9只Af和6只Apf的数量如下： 9只Af触角长：1. 241.361.381.381.401.48

11、1.541.56翅长：1. 77 6只Apf触角长度：1.14 1.18 1.20 1.26 1.28 1.30翅长度：1.78 1.96 1.86 2.00 2.00 1.96，问题： (1)根据原始资料(称为15对数据、学习样本)制定一种方法并正确。 (2)根据建立的方法识别(1.24，1.80 )、(1.28，1.84 )、(1.40，2.04 )三个样本，建立解法1 :二层前向神经网络。 X=输入矩阵，x1对应于触角长度，x2对应于翼长度。 在以上神经网络模型中，应当对应于用于Y=输出矩阵的Af的输出对应于Apf，而应当对应于x=1. 241.361.381.381.40.41.481

12、.541.14.20.21.281.30； 1.721.741.641.821.901.701.821.821.081.781.961.862.001.96。 原始数据x=x-1.1； %数据标准化y=0000001111。 11111110000 0。 %所需的输出net=newff (0，1； 01、5、2、坦西格、坦西格； 建构%2层的前向神经网络%net.trainParam.goal=0.0000001； 设定%训练误差net.trainParam.epochs=2000。 %最大训练步骤数net=train(net，x，y )； %培训网络y1=sim(net，x) %输出数据y=sim (net，1.24 1.28 1.40； 1.80 1.84 2.04) %数据泛化，解法2 :建立单层传感器模型： X=输入矩阵，x1对应触角长度，x2对应翼长度。 在Y=输出矩阵中，应对应于Af的输出应对应于Apf，而以上神经网络模型的MATLAB计程仪项为x=1. 241.361.381.381.401.481.541.541.141.201.261.281.301.721 %数据标准化y=0000001111。 11111110000 0。 %所需的输出net=newp(minmax(x )，2 )； 创建%单层双节点传感器型号%net.