BP神经网络和简单示例

神经网络

——浅尝数学建模工作室张敏BP神经网络和简单示例第1页神经网络浅尝神经网络基础知识惯用函数介绍案例——蠓虫分类BP神经网络和简单示例第2页神经网络基础知识组成：大量简单基本元件——神经元相互连接工作原理：模拟生物神经处理信息方式功效：进行信息并行处理和非线性转化特点：比较轻松地实现非线性映射过程含有大规模计算能力BP神经网络和简单示例第3页医学：疾病识别图像：识别、去噪、增强、配准、融合金融：股票和有价证券预测分析、资本收益预测和分析、风险管理、信用评定等等应用范围BP神经网络和简单示例第4页神经网络结构图输入层输出层中间层BP神经网络和简单示例第5页树突细胞核细胞体轴突突触神经末梢生物神经元结构：BP神经网络和简单示例第6页神经元结构模型x1x2xjx3xnyi能够看出神经元普通表现为一个多输入、单输出非线性器件xj为输入信号，

为阈值，

表示与神经元xj

连接权值

yi表示输出值BP神经网络和简单示例第7页传递函数阈值型线性型S型BP神经网络和简单示例第8页神经网络互连模式神经元分层排列，分别组成输入层、中间层(也叫隐含层，能够由若干层组成)和输出层。前向网络：输入层输出层中间层特点：每层只接收前一层信息，没有反馈。如：感知器网络和BP神经网络BP神经网络和简单示例第9页有反馈前向神经网络：特点：输出层对输入层有反馈信息。如：认知机和回归BP网络。BP神经网络和简单示例第10页层内有相互结合前向网络：特点：能够实现同一层内神经元之间横向抑制或兴奋作用BP神经网络和简单示例第11页相互结合型网络：特点：任意两个神经元之间都可能有联络BP神经网络和简单示例第12页BP神经网络多层前馈神经网络，信号向前传输，误差向后传输。输入层输出层中间层ijkBP神经网络和简单示例第13页输入层输出层中间层ijk中间层：输入输出BP神经网络和简单示例第14页输入层输出层中间层ijk输出层:输入输出BP神经网络和简单示例第15页输入层输出层中间层ijkBP神经网络和简单示例第16页思绪：1、触角长和翼长作为输入信息，分别记为x1,x2。目标输出：(0,1)、(1,0)。Af类记为(1,0)，Apf类记为(0,1)。输入层输出层中间层ijkBP神经网络和简单示例第17页输入层输出层中间层ijk2、经过已知样本训练出适当权值使输出为(0,1)或(1,0)。3、将待区分蠓虫数据输入网络，求值。BP神经网络和简单示例第18页权值求法：向后传输法理想输出Af类(1,0)，Apf类(0,1)记为

{Tis}则有误差：使得E(w)最小作为所需权值BP神经网络和简单示例第19页传递函数(激活函数)logsig(S型函数)：MATLAB按此函数计算：调用格式：A=logsig(N)如：n=-10:0.1:10a=logsig(n)plot(n,a)gridonBP神经网络和简单示例第20页图形以下：BP神经网络和简单示例第21页tansig(双曲正切S型传递函数)：调用格式：A=tansig(n)如：n=-10:0.1:10a=tansig(n)plot(n,a)gridon如右图所表示BP神经网络和简单示例第22页newff

创建一个BP网络，其调用格式为：net=newffnet=newff(PR,[S1S2…SN1],{TF1TF2…TFN1},BTF,BLF,PF)其中，net=newff：用于在对话框中创建一个BP网络PR：由每组输入(共有R组输入)元素最大值和最小值组成R×2维矩阵；Si：第i层长度，共计N1层TFi：第i层传递函数，默认为“tansig”BTF：BP网络训练函数，默认为“trainlm”;BLF：权值和阈值BP学习算法，默认为“learngdm”PF：网络性能函数，默认为“mse”惯用函数BP神经网络和简单示例第23页train用于对神经网络进行训练。调用格式为：[net,tr,Y,E,Pf,Af]=train(NET,P,T,Pi,Ai)其中，NET：待训练神经网络；P：网络输入信号；T：网络目标，默认值为0；Pi：初始输入延迟，默认为0；Ai：初始层次延迟，默认为0；net：函数返回值，训练后神经网络；tr：函数返回值，训练统计(包含步数和性能)；Y：函数返回值，神经网络输出信号；E：函数返回值，神经网络误差；Pf：函数返回值，最终输入延迟；Af：函数返回值，最终层延迟。BP神经网络和简单示例第24页神经网络仿真函数sim调用格式为：[Y,Pf,Af,E,perf]=sim(net,P,Pi,Ai,T)其中，Y：函数返回值，网络输出；Pf：函数返回值，最终输出延迟；Af：函数返回值，最终层延迟；E：函数返回值，网络误差；perf：函数返回值，网络性能；net：待仿真神经网络；P：网络输入；Pi：初始输入延迟，默认为0；Ai：初始层延迟，默认为0；T：网络目标，默认为0.BP神经网络和简单示例第25页clearp1=[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];p2=[1.14,1.82;1.18,1.96;1.20,1.86;1.26,2.001.28,2.00;1.30,1.96];p=[p1;p2]';pr=minmax(p);goal=[ones(1,9),zeros(1,6);zeros(1,9),ones(1,6)];plot(p1(:,1),p1(:,2),'h',p2(:,1),p2(:,2),'o')net=newff(pr,[3,2],{'logsig