BP神经网络实验-Matlab

1、计算智能实验报告实验名称： BP 神经网络算法实验班级名称： 2010 级软工三班专业：软件工程姓名：李 XX学号：XXXXXX2010090精品资料1、 实验目的1 ) 编程实现 BP 神经网络算法；2 ) 探究 BP 算法中学习因子算法收敛趋势、收敛速度之间的关系；3 ) 修改训练后BP 神经网络部分连接权值，分析连接权值修改前和修改后对相同测试样本测试结果，理解神经网络分布存储等特点。2、 实验要求按照下面的要求操作，然后分析不同操作后网络输出结果。1 ) 可修改学习因子2 ) 可任意指定隐单元层数3 ) 可任意指定输入层、隐含层、输出层的单元数4)可指定最大允许误差e5 ) 可输入学习

2、样本(增加样本)6 ) 可存储训练后的网络各神经元之间的连接权值矩阵；7 ) 修改训练后的 BP 神经网络部分连接权值，分析连接权值修改前和修改后对相同测试样本测试结果三、实验原理1明确BP神经网络算法的基本思想如下：在BPNN中，后向传播是一种学习算法，体现为 BPNN的训练过程，该过程是需要教师指导的；前馈型网络是一种结构，体现为BPNN的网络构架反向传播算法通过迭代处理的方式，不断地调整连接神经元的网络权重，使得最终输出结果和预期结果的误差最小BPNN是一种典型的神经网络， 广泛应用于各种分类系统，它也包括了训练和使用两个阶段。由于训练阶段是 BPNN能够投入使用的基础和前提，而使用阶段

3、本身是一个非常简单的过程，也就是给出输入，BPNN会根据已经训练好的参数进行运算，得到输出结果2明确BP神经网络算法步骤和流程如下：1初始化网络权值2由给定的输入输出模式对计算隐层、输出层各单元输出3计算新的连接权及阀值，4选取下一个输入*II式对返回第 2步反复训练直到网络设输出误差达到要求结束训练。制逮覆口揭唱与fli»#出髓壮反忖隗“一炉花松报T雷朋仙相元嵋(st )四、实验内容和分析1.实验时建立三层BP神经网络，输入节点2个，隐含层节点2个,输出节点1个，输入训练样本如下表：输入值输出0.00.00.00.01.01.01.00.01.01.01.00.0学习因子分别为0.

4、5和0.6,最大允许误差0.01代码:P=0.0 0.0 1.0 1.0；0.0 1.0 0.0 1.0；%输入量矩阵T=0.0 1.0 1.0 0.0；% 输出量矩阵net=newff(minmax(P),T,2 1,'tansig','purelin','traingd');% 创建名为 net的 BP 神经网络inputWeights=net.IW1,1;% 输入层与隐含层的连接权重inputbias=net.b2;% 输入层与隐含层的阈值net.trainParam.epochs=5000;% 网络参数：最大训练次数为 5000 次net

5、.trainParam.goal=0.01;% 网络参数：训练精度为 0.001net.trainparam.lr=0.5;% 网络参数：学习设置率为 0.5net.trainParam.mc=0.6; % 动量net.trainparam.show=100% 网络参数： 设置为每 5 次学习显示误差曲线点net,tr=train(net,P,T);%训练A=sim(net,P);%仿真E=T-A;%误差MSE=mse(E);%均方误差i Neural Network Training (nntraintool)NeuraI INetwork Training Performance plot

6、performi）； Epoch 16, Performance goal metBest Training Performance is 0.008364 at epoch 16TO1一ofow-3681016 Epochs12TrainBestGoal16训练结果: 训练次数5000 ,全局误差0.008364输入层与隐含层连接权值为» net.IWO, 1)-X 85901.3331X 9491-1.7234隐含层与输出层连接权值为» net, lw l.2j 11ana =-0.6739-0.6438隐含层神经元阈值为>> net. b 15 12.输入

7、测试样本为» Fl=0,05 0. 2 C, 3«Qh L 6 9 0. 351Pl 二0.0500Q. 20g0,S600OU 0000.90000.9500» 11=5 lm (netj PL)Il =0. 02390. 4£67-0.0674输出层神经元阈值为» net. b2, 1ans 二1. 0902可见网络性能良好，输出结果基本满足识别要求。3. 改变学习因子学习因子决定每一次循环训练中所产生的权值变化量。大的学习因子可能导致系统的不稳定；但小的学习因子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

8、谷而最终趋于误差最小值。所以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。» netitrairparaji.%惬络番数：学工询言率为口net. train? ar Em. mc=O. 3;电动量ieuri iNerworK i raining enonnance pioiperrcmij tpocn vairaaTion sxop.Best Validation Perfornnsnce is 0.097402 at epoch 0LTra in ValidationTestBestGoal0501)QJW poJmnbs 仁相三0. 38830.92870.93474.

9、改变输入层、隐含层、输出层的单元数当隐含层节点个数为3时，相同训练样本和测试样本，得到测试结果为net=newff(minmax(P),T,3 1,'tansig','purelin','traingd');% 创建名为 net 的BP神经网络>>Pl)精品资料T1 =训练次数5000,全局误差0.004126可见，改变输入层、隐含层、输出层的单元数，即改变网络结构，可以改善网络性能，增加隐含层节点个数可以更好的提取模式特征，识别结果更精确，但网络复杂度增加，可能不稳定。5. 最大允许误差£控制网络识别精度。选取较大值学习速

10、度加快，但精度降低；选取较小值，学习速度变慢，精度 提高，但可能导致网络无法收敛到允许的误差范围。net.trainParam.lr=0.05;6. 增加学习样本在基本实验的基础上，增加一个学习样本0.1 1.0 1.0后，训练次数变增加为18982 ,全局误差为0.0099993 ,相同测试样本，测试结果为在基本实验的基础上，增加一个学习样本0.1 1.0 1.0后，训练次数变增加为20000,全局误差为0.12568,相同测试样本，测试结果为>>Pl)J1 二0. 3338 0.922292S6网络学习速度降低，识别精度大大提高。另外，改变学习样本个数，将改变 原有训练结果。»fl)ri 二I”情i,a：5&q:无7. 改变部分连接权值E rU96柘！ - 7535-L L631>> EBUHUL8H < 7、房幽 f B】网络性能被