《神經(jīng)網(wǎng)絡(luò)建模》ppt課件-預(yù)覽頁(yè)
【正文】 步向量細(xì)胞數(shù)組，那么權(quán)重 將在每一組輸入提交的時(shí)候更新（就是增加方 式）；如果輸入是同步向量矩陣，那么權(quán)重將只 在所有輸入提交的時(shí)候更新（就是批處理方式）。 在此我們用函數(shù) adapt，并給出輸入和目標(biāo)序列：假定我們要 訓(xùn)練網(wǎng)絡(luò)建立以下線性函數(shù)： t=2p1+p2 . 我們的輸入是： 目標(biāo)輸出是： t1=[4],t2=[5] ,t3=[7] ,t4=[7] 首先用 0初始化權(quán)重和偏置。 {1,1} = [0 0]。1] [2。 用增加方式訓(xùn)練網(wǎng)絡(luò)： = newlin([1 1。 P = {[1。1]}。錯(cuò)誤和目標(biāo)輸出相等。 [,a,e,pf] = adapt(,P,T)。 現(xiàn)在有許多基本的優(yōu)化算法 ， 例如變尺度算法和牛頓算法 。 為了提高網(wǎng)絡(luò)的適用性 ， 神經(jīng)網(wǎng)絡(luò)工具箱提供了兩個(gè)特性 規(guī)則化和早期停止 。 2） 在 BP網(wǎng)絡(luò)中，轉(zhuǎn)移函數(shù)可求導(dǎo)是非常重要的，tansig、 logsig和 purelin都有對(duì)應(yīng)的導(dǎo)函數(shù) dtansig、dlogsig和 dpurelin。 第一個(gè)參數(shù)是一個(gè) RxS1的矩陣以定義 R個(gè)輸入向量的最小值 和最大值。 例、創(chuàng)建一個(gè)二層網(wǎng)絡(luò) 它的輸入是兩個(gè)元素的向量，第一層有四個(gè)神經(jīng)元，第二層有三個(gè)神 經(jīng)元。 0 5],[4,3],{‘tansig’,‘purelin’},‘traingd’)。 = init()。 2） initnw通常用于轉(zhuǎn)換函數(shù)是曲線函數(shù)。 ? 初始化函數(shù)被 newff所調(diào)用。例如，我們用newff創(chuàng)建的網(wǎng)絡(luò)，它缺省用 initnw來(lái)初始化第一層。rands39。rands39。 p = [1。2 4 1]。在訓(xùn)練期間網(wǎng)絡(luò)的加權(quán)和偏差不斷的把網(wǎng)絡(luò)性能函數(shù) 到最小。 有兩種不同的辦法實(shí)現(xiàn)梯度下降算法：增加模式和批處 理模式。當(dāng)然我們要指定輸入 值和目標(biāo)值如下所示： p = [1 1 2 2。每一個(gè)細(xì) 胞都是一個(gè)輸入或者目標(biāo)向量。 訓(xùn)練結(jié)束以后，就可以模擬網(wǎng)絡(luò)輸出來(lái)檢驗(yàn)訓(xùn)練質(zhì)量了。 問(wèn)題分析：要求依據(jù)已知資料（ 9支 Af的數(shù)據(jù)和 6支 Apf的數(shù)據(jù)）制定一種分類方法，類別是已經(jīng)給定的（ Af或 Apf）。因?yàn)?，?duì)于任何一個(gè)未知類別的樣品，只 要將其觸角及翅膀長(zhǎng)度輸入網(wǎng)絡(luò)，視其輸出模式靠近 (1,0)亦或 (0,1)，就可能判斷其歸屬。 我們希望對(duì)應(yīng)于學(xué)習(xí)樣本中 Af樣品的輸出是 (1,0)，對(duì)應(yīng)于 Apf的輸出是 (0,1)，這樣的輸出稱之為理想輸出。不斷重復(fù)這一過(guò)程，一定能達(dá)到 E 的一個(gè)（局部）極小點(diǎn)。 由實(shí)際輸出與理想輸出的差及 決定，而 則需依賴 算出，因此，這一算法才稱為 向后傳播算法。 蠓蟲(chóng)分類問(wèn)題求解 ? clear ? p1=[,。,。,]。, ? ,。 ? pr=minmax(p)。h39。logsig39。 ? = 10。 ? = train(,p,goal)。 ? y0=sim(,p) ? y=sim(,x) 例 人口預(yù)測(cè) 以下是從 《 北京統(tǒng)計(jì)年鑒 》 中得到的 19802022年的北京城近郊區(qū)戶籍人口統(tǒng)計(jì)結(jié)果作為樣本數(shù)據(jù)，建立人工神經(jīng)網(wǎng)絡(luò)模型，預(yù)測(cè)、 2022年的北京城近郊區(qū)戶籍人口 北京市人口數(shù)統(tǒng)計(jì)表： 年份 人數(shù)（萬(wàn)人） 年份 人數(shù)（萬(wàn)人） 1980 1996 1981 1997 1982 1998 1983 1999 1984 2022 1985 2022 1986 2022 1987 2022 1988 2022 1989 2022 1990 592 2022 1991 2022 1992 2022 1993 2022 1994 2022 1995 數(shù)據(jù)處理后的樣本數(shù)據(jù)： 樣本用途 樣本組數(shù) 輸入一 輸入二 輸入三 輸入四 輸出 學(xué) 習(xí) 樣 本 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 檢 驗(yàn) 樣 本 23 24 25 26 27 ? %樣本訓(xùn)練 ? =newff(minmax(p),[6,1],{39。},39。%當(dāng)前輸入層權(quán)值和閾值 ? inputbias={1}。mse39。 ? =。 ? x=[1984:2022]。 ? plot(x,e)。*39。)。實(shí)際樣本值分別為： ，
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1