神經(jīng)網(wǎng)絡(luò)之bp神網(wǎng)絡(luò)(已修改)
2025-08-02 23:39 本頁面
【正文】 1 神經(jīng)網(wǎng)絡(luò)與應(yīng)用 11月 16日 2 第六章 BP網(wǎng)絡(luò) 3 BP網(wǎng)基本概念 ? 目前實(shí)際應(yīng)用中最常用 ? 采用（ Back Propagation－ BP）學(xué)習(xí)算法 ? 多層前饋型神經(jīng)網(wǎng)絡(luò) ? 隱藏層神經(jīng)元傳遞函數(shù)為 S型函數(shù) ? 可以解決非線性問題 ? 用于函數(shù)逼近、模式識(shí)別和數(shù)據(jù)壓縮等 4 BP神經(jīng)元模型 5 BP神經(jīng)元常用的 f函數(shù) 0)1,0(),(11Slog)(??????????????ycccapeas i giicpii時(shí)逼近直線時(shí)逼近階越函數(shù)型函數(shù)（壓縮函數(shù)）（對(duì)數(shù)）6 BP神經(jīng)元常用的 f函數(shù) )1,1(S)t a n h (St a n?????????icpcpcpcpiiaeeeepas i giiii函數(shù)的主要區(qū)別在于：與函數(shù)（雙曲正切函數(shù)）正切7 BP神經(jīng)元常用的 f函數(shù) ? purelin線性函數(shù) ? 僅限于最后一層（輸出層），目的是擴(kuò)大輸出的取值范圍 8 BP神經(jīng)元常用的 f函數(shù) ? BP網(wǎng)絡(luò)所采用的傳遞函數(shù)均是可微的單調(diào)遞增函數(shù)，非線性主要由 S函數(shù)體現(xiàn) ? 以上三個(gè)函數(shù)分別有對(duì)應(yīng)的導(dǎo)函數(shù)（對(duì)于學(xué)習(xí)算法十分重要） – logsig():dlogsig() – tansig():dtansig() – purelin():dpurelin() 9 BP網(wǎng)絡(luò)結(jié)構(gòu)的一般結(jié)構(gòu) 10 兩層 BP網(wǎng)絡(luò)結(jié)構(gòu) 11 BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建 ? NEWFF(PR,[S1 S2...SNl],{TF1 TF2...TFNl},BTF,BLF,PF) ? PR Rx2 矩陣，確定 R維輸入的變化范圍 . ? Si 表示第 i層有幾個(gè)神經(jīng)元 . ? TFi – 第 i層的傳遞函數(shù)，默認(rèn)為 39。tansig39。. ? BTF – 訓(xùn)練函數(shù)，默認(rèn)為 39。trainlm39。. ? BLF – 學(xué)習(xí)函數(shù)，默認(rèn)為 39。learngdm39。. ? PF 表現(xiàn)（評(píng)價(jià)）函數(shù)，默認(rèn)為 39。mse39。 12 創(chuàng)建 BP神經(jīng)網(wǎng)絡(luò)實(shí)例 ? 例一：創(chuàng)建一個(gè)兩層的 BP網(wǎng)絡(luò) – 設(shè)置訓(xùn)練樣本，非線性 – 對(duì)比訓(xùn)練前后網(wǎng)絡(luò)輸出的變化 – 每次訓(xùn)練的結(jié)果并不相同 – 對(duì)比不同的神經(jīng)元數(shù)對(duì)解決非線性問題的影響（ 1個(gè)、 5個(gè)、 10個(gè)） ? Demo1：要解決的問題越復(fù)雜，需要的隱藏層神經(jīng)元個(gè)數(shù)越多（匹配與過調(diào)） 13 基本 BP學(xué)習(xí)算法 ? 什么是 BP？ －反向傳播 ? 什么東西被
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1