神经网络算法课件

数学建模与数学实验

神经网络.1数学建模与数学实验神经网络.1目的内容学习神经网络的基本原理与方法。1、人工神经元数学模型4、BP神经网络应用3、BP神经网络Matlab工具箱函数2、BP神经网络.2目的内容学习神经网络的基本原理与方法。1、人工神经元数学模型.3.3一、人工神经元数学模型.4一、人工神经元数学模型.4.5.5.6.6.7.7BP神经网络的拓扑结构如图所示。1.BP神经网络结构：.8BP神经网络的拓扑结构如图所示。1.BP神经网络结构：.8.9.92．BP神经网络学习算法及流程以三层BP神经网络为例，它的训练过程包括以下几个步骤：.102．BP神经网络学习算法及流程以三层BP神经网络为例，它的训.11.11.12.12BP神经网络的流程图：.13BP神经网络的流程图：.13三、BP神经网络Matlab工具箱函数.14三、BP神经网络Matlab工具箱函数.14net=newff(PR,[S1,S2,…,SN],{TF1,TF2,…,TFN},BTF,BLF,PF).15net=newff(PR,[S1,S2,…,SN],{T.16.16.17.17.18.18.19.19.20.20.21.21

网络经过177次训练后，虽然网络的性能还没有达到0，但是输出的均方误差已经很小了，MSE＝2.95307e-006，误差曲线如图1所示。为更直观地理解网络输出与目标向量之间的关系，见图2所示。>>plot(P,T,'-',P,Y,'o')图1BP神经网络训练误差曲线图图2训练后BP神经网络仿真图ToMatlabexp12_4_1.m.22网络经过177次训练后，虽然网络的性能还没有达到0，.23.23.24.24.25.25.26.26.27.27.28.28BP神经网络测试结果图

ToMatlabexp12_4_2.m.29BP神经网络测试结果图ToMatlabexp12_4_.30.30.31.31.32.32.33.33.34.34.35.35.36.36.37.37.38.38ToMatlabexp12_4_3.m.39ToMatlabexp12_4_3.m.39.40.40练习1、蠓虫分类问题生物学家试图对两种蠓虫（Af与Apf）进行鉴别，依据的资料是触角和翅膀的长度，已经测得了9只Af和6只Apf的数据如下：Af:(1.24,1.27)，(1.36,1.74)，(1.38,1.64)，(1.38,1.82)，(1.38,1.90)，(1.40,1.70)，(1.48,1.82)，(1.54,1.82)，(1.56,2.08)；Apf:(1.14,1.82)，(1.18,1.96)，(1.20,1.86)，(1.26,2.00)，(1.28,2.00)，(1.30,1.96).（i）根据如上资料，如何制定一种方法，正确地区分两类蠓虫；（ii）对触角和翼长分别为(1.24,1.80)，(1.28,1.84)与(1.40,2.04)的三个标本，用所得到的方法加以识别；（iii）设Af是宝贵的传粉益虫，Apf是某疾病的载体，是否应该修改分类方法..41练习1、蠓虫分类问题.412、人口预测

下表是从《北京统计年鉴》中给出的1980-2010年的北京城近郊区户籍人口统计结果作为样本数据，(1)建立人工神经网络模型;

(2)预测2011年的北京城近郊区户籍人口..422、人口预测

下表是从《北京统计年鉴》中给出的1980-2数据处理后的样本数据：样本用途样本组数输入一输入二输入三输入四输出学习样本10.49840.51020.52130.5340.540720.51020.52130.5340.54070.542830.52130.5340.54070.54280.55340.5340.54070.54280.5530.563250.54070.54280.5530.56320.573960.54280.5530.56320.57390.582170.5530.56320.57390.58210.59280.56320.57390.58210.5920.598790.57390.58210.5920.59870.6043100.58210.5920.59870.60430.6095110.5920.59870.60430.60950.6161120.59870.60430.60950.61610.6251130.60430.60950.61610.62510.6318140.60950.61610.62510.63180.6387150.61610.62510.63180.63870.6462160.62510.63180.63870.64620.6518170.63180.63870.64620.65180.6589180.63870.64620.65180.65890.6674190.64620.65180.65890.66740.6786200.65180.65890.66740.67860.6892210.65890.66740.67860.68920.6988220.66740.67860.68920.69880.7072检验样本230.67860.68920.69880.70720.7132240.68920.69880.70720.71320.7185250.69880.70720.71320.71850.7309260.70720.71320.71850.73090.7438270.71320.71850.73090.74380.7496.43数据处理后的样本数据：样本用途样本组数输入一输入二输入三输入.44.44此课件下载可自行编辑修改，供参考！感谢您的支持，我们努力做得更好！.45此课件下载可自行编辑修改，供参考！.45数学建模与数学实验

神经网络.46数学建模与数学实验神经网络.1目的内容学习神经网络的基本原理与方法。1、人工神经元数学模型4、BP神经网络应用3、BP神经网络Matlab工具箱函数2、BP神经网络.47目的内容学习神经网络的基本原理与方法。1、人工神经元数学模型.48.3一、人工神经元数学模型.49一、人工神经元数学模型.4.50.5.51.6.52.7BP神经网络的拓扑结构如图所示。1.BP神经网络结构：.53BP神经网络的拓扑结构如图所示。1.BP神经网络结构：.8.54.92．BP神经网络学习算法及流程以三层BP神经网络为例，它的训练过程包括以下几个步骤：.552．BP神经网络学习算法及流程以三层BP神经网络为例，它的训.56.11.57.12BP神经网络的流程图：.58BP神经网络的流程图：.13三、BP神经网络Matlab工具箱函数.59三、BP神经网络Matlab工具箱函数.14net=newff(PR,[S1,S2,…,SN],{TF1,TF2,…,TFN},BTF,BLF,PF).60net=newff(PR,[S1,S2,…,SN],{T.61.16.62.17.63.18.64.19.65.20.66.21

网络经过177次训练后，虽然网络的性能还没有达到0，但是输出的均方误差已经很小了，MSE＝2.95307e-006，误差曲线如图1所示。为更直观地理解网络输出与目标向量之间的关系，见图2所示。>>plot(P,T,'-',P,Y,'o')图1BP神经网络训练误差曲线图图2训练后BP神经网络仿真图ToMatlabexp12_4_1.m.67网络经过177次训练后，虽然网络的性能还没有达到0，.68.23.69.24.70.25.71.26.72.27.73.28BP神经网络测试结果图

ToMatlabexp12_4_2.m.74BP神经网络测试结果图ToMatlabexp12_4_.75.30.76.31.77.32.78.33.79.34.80.35.81.36.82.37.83.38ToMatlabexp12_4_3.m.84ToMatlabexp12_4_3.m.39.85.40练习1、蠓虫分类问题生物学家试图对两种蠓虫（Af与Apf）进行鉴别，依据的资料是触角和翅膀的长度，已经测得了9只Af和6只Apf的数据如下：Af:(1.24,1.27)，(1.36,1.74)，(1.38,1.64)，(1.38,1.82)，(1.38,1.90)，(1.40,1.70)，(1.48,1.82)，(1.54,1.82)，(1.56,2.08)；Apf:(1.14,1.82)，(1.18,1.96)，(1.20,1.86)，(1.26,2.00)，(1.28,2.00)，(1.30,1.96).（i）根据如上资料，如何制定一种方法，正确地区分两类蠓虫；（ii）对触角和翼长分别为(1.24,1.80)，(1.28,1.84)与(1.40,2.04)的三个标本，用所得到的方法加以识别；（iii）设Af是宝贵的传粉益虫，Apf是某疾病的载体，是否应该修改分类方法..86练习1、蠓虫分类问题.412、人口预测

下表是从《北京统计年鉴》中给出的1980-2010年的北京城近郊区户籍人口统计结果作为样本数据，(1)建立人工神经网络模型;

(2)预测2011年的北京城近郊区户籍人口..872、人口预测

下表是从《北京统计年鉴》中给出的1980-2数据处理后的样本数据：样本用途样本组数输入一输入二输入三输入四输出学习样本10.49840.51020.52130.5340.540720.51020.52130.5340.54070.542830.52130.5340.54070.54280.55340.5340.54070.54280.5530.563250.54070.54280.5530.56320.573960.54280.5530.56320.57390.582170.5530.56320.57390.58210.59280.56320.57390.58210.5920.598790.57390.58210.5920.59870.6043100.58210.5920.59870.60430.6095110.5920.59870.60430.60950.6161120.59870.60430.60950.61610.6251130.60430.60950.61610.62510.6318140.60950.61610.62510.63180.6387150.61610.62510.63180.63870.6462160.62510.63180.63870.64620.6518170.63180.63870.64620.65180.6589180.63870.64620.65180.65890.6674190.64620.65180.65890.66740.6786200.65180.65890.66740.67860.6892210.65890.66740.67860.68920.6988220.66740.67860.68920.69880.7072检验样本230.6786