10-11-12-13-0930-1012-1014-1019第五章線性判別函數(shù)(人工神經(jīng)元網(wǎng)絡(luò)模型)(存儲版)
【正文】 AB函數(shù) ?BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用實例 ?BP神經(jīng)網(wǎng)絡(luò)與感知器神經(jīng)網(wǎng)絡(luò)的對比 謝謝！ 。 ?（ 2）泛化能力 ?當(dāng)向網(wǎng)絡(luò)輸入訓(xùn)練時未曾見過的非樣本數(shù)據(jù)時，網(wǎng)絡(luò)也能完成由輸入空間向輸出空間的正確映射。traingd39。 ?%以第四個月的銷售量歸一化處理后作為目標(biāo)向量 ?T=[ ]。 3 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的 MATLAB實現(xiàn) ?（ 4）例 23，下表為某藥品的銷售情況，現(xiàn)構(gòu)建一個如下的三層 BP神經(jīng)網(wǎng)絡(luò)對藥品的銷售進(jìn)行預(yù)測：輸入層有三個結(jié)點，隱含層結(jié)點數(shù)為 5，隱含層的激活函數(shù)為 tansig；輸出層結(jié)點數(shù)為 1個，輸出層的激活函數(shù)為 logsig，并利用此網(wǎng)絡(luò)對藥品的銷售量進(jìn)行預(yù)測，預(yù)測方法采用滾動預(yù)測方式，即用前三個月的銷售量來預(yù)測第四個月的銷售量，如用 3月的銷售量為輸入預(yù)測第 4個月的銷售量，用 4月的銷售量為輸入預(yù)測第 5個月的銷售量 .如此反復(fù)直至滿足預(yù)測精度要求為止。 (5)BLFBackpropagation weight/bias learning function, default = 39。否則，選取下一個學(xué)習(xí)樣本及對應(yīng)的期望輸出，返回到第三步，進(jìn)入下一輪學(xué)習(xí)。 ?期望輸出向量 。 神經(jīng)元的結(jié)構(gòu)與功能特性 ???10niiixw而處理單元的輸出為 )xw(fy1n0iii ??? ???那么本處理單元（神經(jīng)元）的輸入為 BP神經(jīng)網(wǎng)絡(luò)模型與學(xué)習(xí)算法 ?Rumelhart， McClelland于 1985年提出了 BP網(wǎng)絡(luò)的誤差反向后傳 BP(Back Propagation)學(xué)習(xí)算法 ?BP算法基本原理 ?利用輸出后的誤差來估計輸出層的直接前導(dǎo)層的誤差，再用這個誤差估計更前一層的誤差，如此一層一層的反傳下去，就獲得了所有其他各層的誤差估計。 人工神經(jīng)網(wǎng)絡(luò) Artificial Neural Networks 人工神經(jīng)網(wǎng)絡(luò)概述 ?1概念 （ 1） 人工神經(jīng)網(wǎng)絡(luò) 是集腦科學(xué)、神經(jīng)心理學(xué)和 信息科學(xué)等多學(xué)科的交叉研究領(lǐng)域，是近年來 高科技領(lǐng)域的一個研究熱點。神經(jīng)元主要由三部分構(gòu)成（ 1）細(xì)胞體（ 2）軸突（ 3）樹突（ 4）突觸 (如圖 ) 神經(jīng)元的結(jié)構(gòu)與功能特性 2. 人工神經(jīng)元的工作過程 對于某個處理單元（神經(jīng)元）來說，假設(shè)來自其他處理單元（神經(jīng)元） i的信息為 Xi，它們與本處理單元的互相作用強度即連接權(quán)值為 Wi, i=0,1,…,n 1,處理單元的內(nèi)部閾值為 θ。 ?輸出層輸出向量 。當(dāng)誤差達(dá)到預(yù)設(shè)精度或?qū)W習(xí)次數(shù)大于設(shè)定的最大次數(shù)，則結(jié)束算法。traingdx39。它是可導(dǎo)函數(shù)，適用于 BP訓(xùn)練的神經(jīng)元。]39。},39。只要能提供足夠多的樣本模式對供網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練，它便能完成由 n維輸入空間到 m維輸出空間的非線性映射。所以 BP算法是不完備的。 5 BP神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點 BP算法的優(yōu)缺點： ?優(yōu)點：理論基礎(chǔ)牢固，推導(dǎo)過程嚴(yán)謹(jǐn)，物理概念清晰，通用性好等。 ?=。0 1],[5,1],{39。 。mse39。 hoew??e 0, 此時 Δwho0 who 回憶 ?激發(fā)函數(shù)一般具有非線性特性 ,常用的非線性激發(fā)函數(shù)如圖所示 (a)閾值型 (b)分段線性型 (c) Sigmoid函數(shù)型 (d)雙曲正切、 常用的激發(fā)函數(shù) 3 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的 MATLAB實現(xiàn) ?（ 1） MATLAB中 BP神經(jīng)網(wǎng)絡(luò)的重要函數(shù)和基本功能 函 數(shù) 名 功 能 newff() 生成一個前饋 BP網(wǎng)絡(luò) tansig() 雙曲正切 S型 (TanSigmoid)傳輸函數(shù) logsig() 對數(shù) S型 (LogSigmo
外語相關(guān)推薦
鄂ICP備17016276號-1