神經(jīng)網(wǎng)絡(luò)基于bp網(wǎng)絡(luò)的多層感知器實驗報告(已修改)
2025-07-04 18:30 本頁面
【正文】 神經(jīng)網(wǎng)絡(luò)及應(yīng)用實驗報告實驗二、基于BP網(wǎng)絡(luò)的多層感知器一：實驗?zāi)康模?. 理解多層感知器的工作原理2. 通過調(diào)節(jié)算法參數(shù)了解參數(shù)的變化對于感知器訓(xùn)練的影響3. 了解多層感知器局限性二：實驗原理：BP的基本思想：信號的正向傳播 誤差的反向傳播 –信號的正向傳播：輸入樣本從輸入層傳入，經(jīng)各隱層逐層處理后，傳向輸出層。 –誤差的反向傳播：將輸入誤差以某種形式通過隱層向輸入層逐層反傳，并將誤差分攤給各層的所有單元，從而獲得各層單元的誤差信號來作為修正各單元權(quán)值的依據(jù)。1. 基本BP算法的多層感知器模型：：當(dāng)網(wǎng)絡(luò)輸出與期望輸出不等時，存在輸出誤差E將上面的誤差定義式展開至隱層，有進一步展開至輸入層，有調(diào)整權(quán)值的原則是使誤差不斷地減小，因此應(yīng)使權(quán)值的調(diào)整量與誤差的梯度下降成正比，即η∈(0,1)表示比例系數(shù)，在訓(xùn)練中反應(yīng)學(xué)習(xí)速率 BP算法屬于δ學(xué)習(xí)規(guī)則類，這類算法被稱為誤差的梯度下降（Gradient Descent）算法。實驗步驟 1. 用Matlab編程，實現(xiàn)解決該問題的單樣本訓(xùn)練BP網(wǎng)絡(luò)，設(shè)置一個停止迭代的誤差Emin和最大迭代次數(shù)。在調(diào)試過程中，通過不斷調(diào)整隱層節(jié)點數(shù)，學(xué)習(xí)率η，找到收斂速度快且誤差小的一組參數(shù)。產(chǎn)生均勻分布在區(qū)間[4，4]的測試樣本，輸入建立的模型得到輸出，與Hermit多項式的期望輸出進行比較計算總誤差（運行5次，取平均值），并記錄下每次迭代結(jié)束時的迭代次數(shù)。（要求誤差計算使用RME，Emin ） 程序如下：function dyb %單樣本程序 clc。 close all。 clear。 x0=[1:101。4::4]。%樣本101個 x0(1,:)=1。 x=x039。 yuzhi=。%閾值 j=input(39。請輸入隱層節(jié)點數(shù) j = 39。)。%隱層節(jié)點數(shù) n=input(39。請輸入學(xué)習(xí)效率 n = 39。)。%學(xué)習(xí)效率 w=rand(1,j)。 w=[yuzhi,w]。 %輸出層閾值 v=rand(2,j)。 v(1,:)=yuzhi。%隱層閾值 err=zeros(1,101)。 wucha=0。 zhaosheng=*randn(1,101)。%噪聲 erro=[]。 ERRO=[]。%誤差，為畫收斂曲線準(zhǔn)備 Emin=。 d=zeros(1,101)。 for m=1:101 d(m)=hermit(x(m,2))。%期望 end。 o=zeros(1,101)。 netj=zeros(1,j)。 net=zeros(1,j)。 p=1。 q=1。 azc=0。 acs=0。 for z=1:5 while q30000 Erme=0。 for p=1:101 y=zeros(1,j)。 for i=1:j netj(1,i)=x(p,:)*v(:,i)。 y(1,i)=1/(1+exp(netj(1,i)))。 end。 y=[1 y]。 o(p)=w*y39。+zhaosheng(p)。%噪聲 wucha = d(p)o(p)。 err(1,p)=1/2*wucha^2。 erro=[erro,wuch
數(shù)學(xué)相關(guān)推薦
鄂ICP備17016276號-1