神經(jīng)網(wǎng)絡(luò)之bp神網(wǎng)絡(luò)-wenkub
2022-08-18 23:39:48 本頁(yè)面
【正文】 量（ 35個(gè)元素） 0 0 1 0 0 0 1 0 1 0 0 1 0 1 0 1 0 0 0 1 1 1 1 1 1 1 0 0 0 1 1 0 0 0 1 40 應(yīng)用 BP網(wǎng)絡(luò)進(jìn)行模式識(shí)別 ? 輸出信號(hào)：識(shí)別向量 – 維數(shù)： 26（只考慮大寫(xiě)） – 表示方法：相應(yīng)位為“ 1” ，其余為“ 0” ? 網(wǎng)絡(luò)結(jié)構(gòu)： 35維輸入， 26維輸出 – 隱藏層神經(jīng)元個(gè)數(shù)隨意（ 10） – 為了使輸出在 0－ 1之間，輸出層也采用 S函數(shù) 41 應(yīng)用 BP網(wǎng)絡(luò)進(jìn)行模式識(shí)別 ? 無(wú)噪聲訓(xùn)練 – 用理想輸入信號(hào)進(jìn)行訓(xùn)練 – 對(duì)于有噪聲信號(hào)的效果不好 ? 有噪聲訓(xùn)練 – 用有噪聲的信號(hào)進(jìn)行訓(xùn)練 – 對(duì)于理想信號(hào)的識(shí)別也采用有噪聲方法，浪費(fèi) ? 綜合訓(xùn)練 – 無(wú)噪聲－有噪聲－無(wú)噪聲 42 應(yīng)用 BP網(wǎng)絡(luò)進(jìn)行模式識(shí)別 ? 網(wǎng)絡(luò)效果評(píng)價(jià) – 分別評(píng)價(jià)添加噪聲信號(hào)訓(xùn)練前后 – 分別針對(duì)不同噪聲水平評(píng)價(jià) – 對(duì)比識(shí)別的誤差率 ? 討論（課后實(shí)驗(yàn)） – 修改訓(xùn)練方法 – 修改隱藏層神經(jīng)元個(gè)數(shù) – 修改表現(xiàn)函數(shù) – 修改特征向量提取方法 43 小結(jié) ? 什么是 BP網(wǎng)絡(luò) – 能解決非線性問(wèn)題 – 神經(jīng)元 – 網(wǎng)絡(luò)結(jié)構(gòu) ? 學(xué)習(xí)算法 ? 改進(jìn)算法：幾種常用的改進(jìn) BP學(xué)習(xí)算法（特別是 LM） ? 應(yīng)用： – 函數(shù)擬合 – 系統(tǒng)辨識(shí) – 模式識(shí)別 ? BP網(wǎng)絡(luò)的作業(yè) 。 t=[0 1 1 0]。 輸出 1 線性元 ? 訓(xùn)練算法 : BP算法 , LevenbergMarquardt算法 ? 3) 要求： – a) 比較一般 BP算法（ trainbp） ,自適應(yīng)變步長(zhǎng) BP算法 (trainbpa), LevenbergMarquardt(trainlm)算法的收斂時(shí)間和精度，給出每一次迭代后的性能指標(biāo)； – b) 測(cè)試以上模型的精度。re共軛梯度法 16t r a in c g pm a t la b111例七：訓(xùn)練步驟平均中的對(duì)應(yīng)函數(shù)：修正系數(shù)定義：－????kkkkkgggg???26 PowellBeale共軛梯度法 10t r a in c g bm a t la b21例八：訓(xùn)練步驟平均中的對(duì)應(yīng)函數(shù)：負(fù)梯度方向搜索方向被重新定位為條件滿足時(shí)：修正系數(shù)固定，當(dāng)以下kkkggg ???27 量化共軛梯度法 ? 基本思想：融合置信區(qū)間法和共軛梯度法，避免一維搜索 ? ? matlab中對(duì)應(yīng)的函數(shù)：trainscg ? 例九：訓(xùn)練步驟平均 10 28 擬牛
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1