【正文】 2) learngdm函數(shù)為梯度下降動量學(xué)習(xí)函數(shù)，它利用神經(jīng)元的輸入和誤差、權(quán)值或閾值的學(xué)習(xí)速率和動量常數(shù)，來計算權(quán)值或閾值的變化率。調(diào)用格式為：A=tansig（N）info=tansig（code）其中，N：Q個S維的輸入列向量；A：函數(shù)返回值，位于區(qū)間（1，1）之間。傳遞函數(shù)又稱為激活函數(shù)，必須是連續(xù)可微的。用于在對話框中創(chuàng)建一個BP網(wǎng)絡(luò)。對于各種不同的網(wǎng)絡(luò)模型，神經(jīng)網(wǎng)絡(luò)工具箱集成了多種學(xué)習(xí)算法，為用戶提供了極大的方便。一部分函數(shù)特別針對某一種類型的神經(jīng)網(wǎng)絡(luò)的，如感知器的創(chuàng)建函數(shù)、BP網(wǎng)絡(luò)的訓(xùn)練函數(shù)等。神經(jīng)網(wǎng)絡(luò)工具箱將很多原本需要手動計算的工作交給計算機，一方面提高了工作效率，另一方面，還提高了計算的準確度和精度，減輕了工程人員的負擔(dān)。 網(wǎng)絡(luò)隱層神經(jīng)元的數(shù)目也對網(wǎng)絡(luò)有一定的影響。對那些快速訓(xùn)練算法，缺省參數(shù)值基本上都是最有效的設(shè)置。對于非線性系統(tǒng)，選擇合適的學(xué)習(xí)率是一個重要的問題。動量法因為學(xué)習(xí)率的提高通常比單純的梯度下降法要快一些，但在實際應(yīng)用中還是速度不夠，這兩種方法通常只應(yīng)用于遞增訓(xùn)練。另外， BP 神經(jīng)網(wǎng)絡(luò)具有優(yōu)化計算能力。BP 神經(jīng)網(wǎng)絡(luò)通過預(yù)先存儲信息和學(xué)習(xí)機制進行自適應(yīng)訓(xùn)練，可以從不完整的信息和噪聲干擾中恢復(fù)原始的完整信息。 BP網(wǎng)絡(luò)的優(yōu)點以及局限性BP神經(jīng)網(wǎng)絡(luò)最主要的優(yōu)點是具有極強的非線性映射能力。（1）函數(shù)逼近：用輸入向量和相應(yīng)的輸出向量訓(xùn)練一個網(wǎng)絡(luò)以逼近一個函數(shù)。 BP神經(jīng)網(wǎng)絡(luò)的主要功能目前，在人工神經(jīng)網(wǎng)絡(luò)的實際應(yīng)用中。生物神經(jīng)系統(tǒng)部分不嚴重損傷并不影響整體功能，BP神經(jīng)網(wǎng)絡(luò)也具有這種特性，網(wǎng)絡(luò)的高度連接意味著少量的誤差可能不會產(chǎn)生嚴重的后果，部分神經(jīng)元的損傷不破壞整體，它可以自動修正誤差。人腦神經(jīng)元之間傳遞脈沖信號的速度遠低于馮權(quán)值不斷調(diào)整的過程就是網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過程。輸入信號經(jīng)輸入層輸入， 通過隱含層的復(fù)雜計算由輸出層輸出，輸出信號與期望輸出相比較，若有誤差，再將誤差信號反向由輸出層通過隱含層處理后向輸入層傳播。如輸出層不能得到期望的輸出，則轉(zhuǎn)入誤差反向傳播過程，誤差信號沿原來的連接通路返回，逐次調(diào)整網(wǎng)絡(luò)各層的權(quán)值和閾值，直至到達輸入層，再重復(fù)向計算。層與層之間有兩種信號在流通：一種是工作信號(用實線表示)，它是施加輸入信號后向前傳播直到在輸出端產(chǎn)生實際輸出的信號，是輸入和權(quán)值的函數(shù)。然后按減小希望輸出與實際輸出誤差的方向，從輸出層經(jīng)各中間層逐層修正各連接權(quán)，回到輸入層。圖6結(jié)合型網(wǎng)絡(luò)結(jié)構(gòu)綜上，可知神經(jīng)網(wǎng)絡(luò)有分層網(wǎng)絡(luò)、層內(nèi)連接的分層網(wǎng)絡(luò)、反饋連接的分層網(wǎng)絡(luò)、互連網(wǎng)絡(luò)等四種結(jié)構(gòu)，其神經(jīng)網(wǎng)絡(luò)模型有感知器網(wǎng)絡(luò)，線性神經(jīng)網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)，徑向基函數(shù)網(wǎng)絡(luò)，反饋神經(jīng)網(wǎng)絡(luò)等，本文主要學(xué)習(xí)研究了BP神經(jīng)網(wǎng)絡(luò)，以及BP神經(jīng)網(wǎng)絡(luò)在函數(shù)逼近和樣本含量估計兩個實例中的應(yīng)用分析。在無反饋的前向網(wǎng)絡(luò)中，信號一旦通過某神經(jīng)元，該神經(jīng)元的處理就結(jié)束了。這樣可以限制每層內(nèi)可以同時動作的神經(jīng)元素，或者把每層內(nèi)的神經(jīng)元分為若干組，讓每一組作為一個整體進行運作。輸入模式經(jīng)過各層次的順序傳播，最后在輸出層上得到輸出。神經(jīng)元的模型確定之后，一個神經(jīng)網(wǎng)絡(luò)的特性及能力主要取決于網(wǎng)絡(luò)的拓撲結(jié)構(gòu)及學(xué)習(xí)方法。當(dāng)神經(jīng)元細胞體通過軸突傳到突觸前膜的脈沖幅度達到一定強度，即超過其閾值電位后，突觸前膜將向突觸間隙釋放神經(jīng)傳遞的化學(xué)物質(zhì)。神經(jīng)元是大腦處理信息的基本單元，以細胞體為主體，由許多向周圍延伸的不規(guī)則樹枝狀纖維構(gòu)成的神經(jīng)細胞，其形狀很像一棵枯樹的枝干。若干神經(jīng)元連接成網(wǎng)絡(luò)，其中的一個神經(jīng)元可以接受多個輸入信號，按照一定的規(guī)則轉(zhuǎn)換為輸出信號。為了模擬大腦的基本特性，在神經(jīng)科學(xué)研究的基礎(chǔ)上，提出了神經(jīng)網(wǎng)絡(luò)的模型。生物神經(jīng)元受到傳入的刺激，其反應(yīng)又從輸出端傳到相聯(lián)的其它神經(jīng)元，輸入和輸出之間的變換關(guān)系一般是非線性的。自適應(yīng)均衡、回波抵消、路由選擇和ATM網(wǎng)絡(luò)中的呼叫接納識別和控制?；み^程控制、機器人運動控制、家電控制、半導(dǎo)體生產(chǎn)中摻雜控制、石油精煉優(yōu)化控制和超大規(guī)模集成電路布線設(shè)計等。 神經(jīng)網(wǎng)絡(luò)的應(yīng)用神經(jīng)網(wǎng)絡(luò)理論的應(yīng)用取得了令人矚目的發(fā)展，特別是在人工智能、自動控制、計算機科學(xué)、信息處理、機器人、模式識別、CAD/CAM等方面都有重大的應(yīng)用實例。例如，由于訓(xùn)練中穩(wěn)定性的要求學(xué)習(xí)率很小，所以梯度下降法使得訓(xùn)練很忙動量法因為學(xué)習(xí)率的提高通常比單純的梯度下降法要快，但在實際應(yīng)用中還是很慢。這方面的工作也稱為技術(shù)模型研究。 神經(jīng)網(wǎng)絡(luò)的研究內(nèi)容和目前存在的問題 神經(jīng)網(wǎng)絡(luò)的研究內(nèi)容神經(jīng)網(wǎng)絡(luò)的研究內(nèi)容相當(dāng)廣泛，反映了多科學(xué)交叉技術(shù)領(lǐng)域的特點。1）開發(fā)現(xiàn)有模型的應(yīng)用，并在應(yīng)用中根據(jù)實際運行情況對模型、算法加以改造，以提高網(wǎng)絡(luò)的訓(xùn)練速度和運行的準確度。他于1982年和1984年在美國科學(xué)院院刊上發(fā)表了兩篇文章，提出了模擬人腦的神經(jīng)網(wǎng)絡(luò)模型，即最著名的Hopfield模型。Grossberg 提出了自適應(yīng)共振理論；Kohenen 提出了自組織映射；Fukushima 提出了神經(jīng)認知網(wǎng)絡(luò)理論；Anderson提出了BSB模型；Webos 提出了BP理論等。1）20世紀50年代20世紀60年代：第一次研究高潮自1943年MP模型開始，至20世紀60年代為止，這一段時間可以稱為神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論發(fā)展的初期階段。將信息幾何應(yīng)用于人工神經(jīng)網(wǎng)絡(luò)的研究，為人工神經(jīng)網(wǎng)絡(luò)的理論研究開辟了新的途徑。（3）研究仿照腦神經(jīng)系統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)，將在模式識別、組合優(yōu)化和決策判斷等方面取得傳統(tǒng)計算機所難以達到的效果。人工神經(jīng)網(wǎng)絡(luò)就是模擬人思維的一種方式，是一個非線性動力學(xué)系統(tǒng)，其特色在于信息的分布式存儲和并行協(xié)同處理。為了解決神經(jīng)網(wǎng)絡(luò)問題中的研究工作量和編程計算工作量問題，目前工程領(lǐng)域中較為流行的軟件MATLAB，提供了現(xiàn)成的神經(jīng)網(wǎng)絡(luò)工具箱（Neural Network Toolbox，簡稱NNbox），為解決這個矛盾提供了便利條件。神經(jīng)網(wǎng)絡(luò)具有非線性自適應(yīng)的信息處理能力，克服了傳統(tǒng)人工智能方法對于直覺的缺陷，因而在神經(jīng)專家系統(tǒng)、模式識別、智能控制、組合優(yōu)化、預(yù)測等領(lǐng)域得到成功應(yīng)用。此項課題主要是針對MATLAB軟件對BP神經(jīng)網(wǎng)絡(luò)的各種算法的編程，將神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于函數(shù)逼近和樣本含量估計問題中，并分析比較相關(guān)參數(shù)對算法運行結(jié)果的影響。最后對BP神經(jīng)網(wǎng)絡(luò)算法進行了展望。 摘要本文首先說明課題研究的目的和意義，評述課題的國內(nèi)外研究現(xiàn)狀，引出目前存在的問題。將神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于函數(shù)逼近和樣本含量估計問題中，并分析相關(guān)參數(shù)對算法運行結(jié)果的影響。214。大慶2012 年 5 月 黑龍江八一農(nóng)墾大學(xué)本科畢業(yè)設(shè)計（論文）任務(wù)書學(xué)生姓名楊赫所在班級電氣6班導(dǎo)師姓名劉坤導(dǎo)師職稱導(dǎo)師論文題目BP神經(jīng)網(wǎng)絡(luò)的matlab實現(xiàn)題目分類214。采用Matlab軟件編程實現(xiàn)BP神經(jīng)網(wǎng)絡(luò)算法。2．此任務(wù)書夾于論文扉頁與論文一并裝訂，作為論文評分依據(jù)之。將神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于函數(shù)逼近和樣本含量估計問題中，并分析相關(guān)參數(shù)對算法運行結(jié)果的影響。content. And analysis of relevant parameters on the results of algorithm. Finally, The BP neural network algorithm is Outlook.Key words: Neural network BP neural network Function approximation目錄摘要 IABSTRACT II目錄 III前言 IV1 緒論 1 人工神經(jīng)網(wǎng)絡(luò)的研究背景和意義 1 神經(jīng)網(wǎng)絡(luò)的發(fā)展與研究現(xiàn)狀 2 神經(jīng)網(wǎng)絡(luò)的研究內(nèi)容和目前存在的問題 3 神經(jīng)網(wǎng)絡(luò)的應(yīng)用 3 2神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及BP神經(jīng)網(wǎng)絡(luò) 5 神經(jīng)元與網(wǎng)絡(luò)結(jié)構(gòu) 5 BP神經(jīng)網(wǎng)絡(luò)及其原理 8 BP神經(jīng)網(wǎng)絡(luò)的主要功能 10 BP網(wǎng)絡(luò)的優(yōu)點以及局限性 10 3 BP神經(jīng)網(wǎng)絡(luò)在實例中的應(yīng)用 12 基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)工具箱函數(shù) 12 BP網(wǎng)絡(luò)在函數(shù)逼近中的應(yīng)用 14 20 結(jié)論 30 參考文獻 31 致謝 33 前言BP神經(jīng)網(wǎng)絡(luò)是目前人工神經(jīng)網(wǎng)絡(luò)模式中最具代表性,應(yīng)用得最廣泛的一種模型,具有自學(xué)習(xí)、自組織、自適應(yīng)和很強的非線性映射能力,為了解決BP網(wǎng)絡(luò)收斂速度慢,訓(xùn)練時間長等不足,在針對實際問題的BP網(wǎng)絡(luò)建模過程中,選擇多少層網(wǎng)絡(luò),每層多少個神經(jīng)元節(jié)點,選擇何種傳遞函數(shù)等,均無可行的理論指導(dǎo),(Neural NetworkToolbox,簡稱NNbox),提供了各種MATLAB函數(shù),包括神經(jīng)網(wǎng)絡(luò)的建立、訓(xùn)練和仿真等函數(shù),以及各種改進訓(xùn)練算法函數(shù),用戶可以很方便地進行神經(jīng)網(wǎng)絡(luò)的設(shè)計和仿真,也可以在MATLAB源文件的基礎(chǔ)上進行適當(dāng)修改,形成自己的工具包以滿足實際需要。神經(jīng)網(wǎng)絡(luò)的發(fā)展與神經(jīng)科學(xué)、數(shù)理科學(xué)、認知科學(xué)、計算機科學(xué)、人工智能、信息科學(xué)、控制論、機器人學(xué)、微電子學(xué)、心理學(xué)、微電子學(xué)、心理學(xué)、光計算、分子生物學(xué)等有關(guān)，是一門新興的邊緣交叉學(xué)科。MATLAB是一種科學(xué)與工程計算的高級語言，廣泛地運用于包括信號與圖像處理，控制系統(tǒng)設(shè)計，系統(tǒng)仿真等諸多領(lǐng)域。 人工神經(jīng)網(wǎng)絡(luò)的研究背景和意義 人工神經(jīng)網(wǎng)絡(luò)是由具有適應(yīng)性的簡單單元組成的廣泛并行互連的網(wǎng)絡(luò)，它的組織能夠模擬生物神經(jīng)系統(tǒng)對真實世界物體所作出的交互反應(yīng)。（2）爭取構(gòu)造出盡可能與人腦具有相似功能的計算機，即神經(jīng)網(wǎng)絡(luò)計算機。近年來，人工神經(jīng)網(wǎng)絡(luò)正向模擬人類認知的道路上更加深入發(fā)展，與模糊系統(tǒng)、遺傳算法、進化機制等結(jié)合，形成計算智能，成為人工智能的一個重要方向，將在實際應(yīng)用中得到發(fā)展。 神經(jīng)網(wǎng)絡(luò)的發(fā)展與研究現(xiàn)狀 神經(jīng)網(wǎng)絡(luò)的發(fā)展神經(jīng)網(wǎng)絡(luò)起源于20世紀40年代，至今發(fā)展已半個多世紀，大致分為三個階段。不過仍有不少學(xué)者繼續(xù)對神經(jīng)網(wǎng)絡(luò)進行研究。這個時期最具有標(biāo)志性的人物是美國加州工學(xué)院的物理學(xué)家John Hopfield。 神經(jīng)網(wǎng)絡(luò)的現(xiàn)狀進入20世紀90年代以來，神經(jīng)網(wǎng)絡(luò)由于應(yīng)用面還不夠?qū)?，結(jié)果不夠精確，存在可信度問題，從而進入了認識與應(yīng)用研究期。4）進一步對生物神經(jīng)系統(tǒng)進行研究，不斷地豐富對人腦的認識。（3）網(wǎng)絡(luò)模型與算法研究：在理論模型研究的基礎(chǔ)上構(gòu)成具體的神經(jīng)網(wǎng)絡(luò)模型，以實現(xiàn)計算機模擬或準備制作硬件，包括網(wǎng)絡(luò)學(xué)習(xí)算法的研究。當(dāng)前存在的問題是智能水平還不高，許多應(yīng)用方面的要求還不能得到很好的滿足；網(wǎng)絡(luò)分析與綜合的一些理論性問題還未得到很好的解決。在微機飛速發(fā)展的今天，很多都已不能滿足發(fā)展的需要。（2）控制和優(yōu)化。（4）通信。2神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及BP神經(jīng)網(wǎng)絡(luò) 神經(jīng)元與網(wǎng)絡(luò)結(jié)構(gòu)人工神經(jīng)網(wǎng)