【正文】 的組織能夠模擬生物神經(jīng)系 基于 MATLAB 的 BP 神經(jīng)網(wǎng)絡(luò)應(yīng)用 2 統(tǒng)對(duì)真實(shí)世界物體所作出的交互反應(yīng) [5]。近年來，人工神經(jīng)網(wǎng)絡(luò)正向模擬人類認(rèn)知的道路上更加深入發(fā)展，與模糊系統(tǒng)、遺傳算法、進(jìn)化機(jī)制等結(jié)合，形成計(jì)算智能，成為人工智能的一個(gè)重要方向，將在實(shí)際應(yīng)用中得到發(fā)展。不過仍 有 不少學(xué)者繼續(xù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行研究。 神經(jīng)網(wǎng)絡(luò)的現(xiàn)狀 進(jìn)入 20 世紀(jì) 90 年代以來，神經(jīng)網(wǎng) 絡(luò)由于應(yīng)用面還不夠?qū)挘Y(jié)果不夠精確，存在可信度問題，從而進(jìn)入了 認(rèn)識(shí)與應(yīng)用研究期。 （ 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(shí)現(xiàn)計(jì)算機(jī)模擬或準(zhǔn)備制作硬件 ， 包括網(wǎng)絡(luò)學(xué)習(xí)算法的研究。在微機(jī)飛速發(fā)展的今天 ， 很多都已不能滿足發(fā)展的需要。 （ 4）通信。 神經(jīng)網(wǎng)絡(luò)是由大量的處理單元（神經(jīng)元）互相連接而成的網(wǎng)絡(luò)。 生物神經(jīng)元 基于 MATLAB 的 BP 神經(jīng)網(wǎng)絡(luò)應(yīng)用 5 人腦大約由 1012個(gè)神經(jīng)元組成，神經(jīng)元互相連接成神經(jīng)網(wǎng)絡(luò)。 圖 人工神經(jīng)元（感知器）示意圖 當(dāng)神經(jīng)元 j 有多個(gè)輸入 xi(i=1， 2,?, m)和單個(gè)輸出 yj時(shí)，輸入和輸出的關(guān)系可表示為 : ???????? ?? )(1jjjmi iijj sfyxws ? () 其中 j為閾值， wij為從神經(jīng)元 i 到 神經(jīng)元 j 的連接權(quán)重因子， f( )為傳遞函數(shù)，或稱激勵(lì)函數(shù)。 圖 有反饋的前向網(wǎng)絡(luò)結(jié)構(gòu) 3) 層 內(nèi)互連前向網(wǎng)絡(luò) 其結(jié)構(gòu)如圖 所示，通過層內(nèi)神經(jīng)元的相互結(jié)合，可以實(shí)現(xiàn)同一層神經(jīng)元之間的橫向抑制或興奮機(jī)制。根據(jù)網(wǎng)絡(luò)的結(jié)構(gòu)和神經(jīng)元的特性，網(wǎng)絡(luò)的 運(yùn)行還有可能進(jìn)入周期振蕩或其他如混沌平衡狀態(tài)。這些神經(jīng)元如同人的神經(jīng)細(xì)胞一樣是互相關(guān)聯(lián)的。 BP 神經(jīng)網(wǎng)絡(luò)的信息 處理方式具有如下特點(diǎn) : 1）信息分布存儲(chǔ)。這與現(xiàn)代計(jì)算機(jī)的脆弱性形成鮮明對(duì)比。 （ 2） 模式識(shí)別：用一個(gè)待定的輸出向量將它與輸入向量聯(lián)系起來。這種能力使其在圖像復(fù)原、語言處理、模式識(shí)別等方面具有重要應(yīng)用。 多層神經(jīng)網(wǎng)絡(luò)可以應(yīng)用于線性系統(tǒng)和非線性系統(tǒng)中，對(duì)于任 意函數(shù)模擬逼近。 非線性網(wǎng)絡(luò)的誤差面比線性網(wǎng)絡(luò)的誤差面復(fù)雜得多，問題在于多層網(wǎng)絡(luò)中非線性傳遞函數(shù) 有 多個(gè)局部最優(yōu)解。 神經(jīng)網(wǎng)絡(luò)工具箱是在 MATLAB 環(huán)境下開發(fā)出來的許多工具箱之一。 Matlab R2020神經(jīng)網(wǎng)絡(luò)工具箱中包含了許多用于 BP 網(wǎng)絡(luò)分析與設(shè)計(jì)的函數(shù)， BP 網(wǎng)絡(luò)的常用函數(shù)如表 所示。 BP 網(wǎng)絡(luò)經(jīng)常采用 S 型的對(duì)數(shù)或 正切函數(shù)和線性函數(shù)。 BP 網(wǎng)絡(luò)訓(xùn)練函數(shù) 1） train 神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)，調(diào)用其他訓(xùn)練函數(shù)，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練 。 函數(shù)的曲線如圖 所示 基于 MATLAB 的 BP 神經(jīng)網(wǎng)絡(luò)應(yīng)用 13 k=1。 xlabel(39。選擇隱層和輸出層神經(jīng)元傳遞函數(shù)分別為 tansig函數(shù)和 purelin 函數(shù)，網(wǎng)絡(luò)訓(xùn)練 的 算法采用 Levenberg – Marquardt 算法 trainlm。)。) title(39。)。（網(wǎng)絡(luò)訓(xùn)練精度設(shè)置為 ） =train(,p,t)。,p,y2, 39。 ylabel(39。 下面通過 改變頻率參數(shù)和 非線性函數(shù) 的 隱層神經(jīng)元數(shù)目 來加以 比較 證明 。 BP 網(wǎng)絡(luò) 在 樣本 含量估計(jì) 中 的應(yīng)用 問題的提出 這是一個(gè)神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)中應(yīng)用的例子。% 利用 prepca 函數(shù)對(duì)歸一化 后的樣本數(shù)據(jù)進(jìn)行主元分析 基于 MATLAB 的 BP 神經(jīng)網(wǎng)絡(luò)應(yīng)用 18 這里剔除了一些數(shù)據(jù)，只保留了所占 %的主要成分?jǐn)?shù)據(jù)。 iitr=[1:4:Q 3:4:Q]。在本例中，建立一個(gè)兩層網(wǎng)絡(luò)，隱層的傳遞函數(shù)采用 tansigmoid，輸出層采用線性傳遞函數(shù)。)。,39。,39。) 基于 MATLAB 的 BP 神經(jīng)網(wǎng)絡(luò)應(yīng)用 20 圖 訓(xùn)練誤差、驗(yàn)證誤差、測(cè)試誤差曲線 步驟三： 輸出結(jié)果 最后，對(duì)網(wǎng)絡(luò)響應(yīng)進(jìn)行分析，將所有的數(shù)據(jù)都放在整個(gè)數(shù)據(jù)集中，包括訓(xùn)練數(shù)據(jù)、驗(yàn)證數(shù)據(jù)和測(cè)試數(shù)據(jù)，然后網(wǎng)絡(luò)輸出和相應(yīng)的期望輸出向量進(jìn)行 線性回歸分析 。 圖 訓(xùn)練過程 =newff(minmax(ptr),[20 3],{39。 TRAINLMcalcjx, Epoch 0/100, MSE , Gradient TRAINLMcalcjx, Epoch 12/100, MSE , Gradient TRAINLM, Validation stop. 基于 MATLAB 的 BP 神經(jīng)網(wǎng)絡(luò)應(yīng)用 22 圖 三種誤差曲線 plot(,39。,39。 xlabel(39。) an=sim(,ptrans)。 4 結(jié)束語 本文首先總結(jié)了神經(jīng)網(wǎng)絡(luò)的 研究目的和意義，介紹了神經(jīng)網(wǎng)絡(luò)的研究背景和現(xiàn)狀 ，分析了目前神經(jīng)網(wǎng)絡(luò)研究中存在的問題，然后描述 了 BP 神經(jīng)網(wǎng)絡(luò)算法的 實(shí)現(xiàn)以及 BP 神經(jīng)網(wǎng)絡(luò)的工作原理， 給出了 BP 網(wǎng)絡(luò)的局限性。 參考文獻(xiàn) : [1] 鄭君里 ,楊行峻 .《 人工神經(jīng)網(wǎng)絡(luò) 》 . 北京 : 高等教育出版社 ,:1530 [2] 郝中華 .《 B P神經(jīng)網(wǎng)絡(luò)的非線性思想 》 . 洛陽師范學(xué)院學(xué)報(bào) (4) [3] 巨軍讓，卓戎 .《 B P神經(jīng)網(wǎng)絡(luò)在 Matlab 中的方便實(shí)現(xiàn) 》 .新疆石油學(xué)院學(xué)報(bào) .(1) [4] 蔣宗禮 .《 人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論 》 . 高等教育出版社， :1590 [5] 聞新、周露、王丹力、熊曉英 .《 MATLAB 神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè) 計(jì) .科學(xué)出版社 》 ， :1050 [6] 葛哲學(xué)、孫志強(qiáng)編著 .《 神經(jīng)網(wǎng)絡(luò)與 matlab2020 實(shí)現(xiàn) 》 . 北京：電子工業(yè)出版社， :15 [7] 董長(zhǎng)虹 編著 .《 Matlab 神經(jīng)網(wǎng)絡(luò)與應(yīng)用 》 . 北京：國(guó)防工業(yè)出版社， :113 [8] 胡守仁，等 .《 神經(jīng)網(wǎng)絡(luò)導(dǎo)論 》 .長(zhǎng)沙：國(guó)防科技大學(xué)出版社， 1993:2345 [9] 張玲，張鈸 .《 人工神經(jīng)網(wǎng)絡(luò)理及應(yīng)用 》 . 浙江：浙江科技大學(xué)出版社， :2062 [10] Neural Network Tolbox User’ s, The MathWorks. Inc,2020:1627 [11] Matlab user’ s Guide. The ,2020:2327 [12] Neural Network Toolbox. Mathworks,2020:113 [13] Philip D. Wasserman， Neural Computing: Theory and Practice， Van Nostrand Reinhold， 1989. [14] 李學(xué)橋 .《 神經(jīng)網(wǎng)絡(luò)工程應(yīng)用 》 . 重慶：重慶 大學(xué)出版社， :2073 [15] 樓順天，等 .《 基于 Matlab 的系統(tǒng)分析與設(shè)計(jì) 神經(jīng)網(wǎng)絡(luò) 》 . 西安：西安電子科技大學(xué)出版社，:2340 [16] 周開利，康耀紅 編著 .《 神經(jīng)網(wǎng)絡(luò)模型及其 MATLAB 仿真程序設(shè)計(jì) 》 .2020:1043 [17] 魏海坤 .《神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)的理論與方法》 .國(guó)防工業(yè)出 版社， :2030 基于 MATLAB 的 BP 神經(jīng)網(wǎng)絡(luò)應(yīng)用 25 BP Neural Network And Application based on MATLAB Jiang Liangliang School of Binjiang, Nanjing University of Information Science and Technology, Nanjing 210044 ABSTRACT: First, the research purpose and significance of neural work is expound in this article. Commentary studies current situation at the problem home and abroad. Leads to the existing problems. and then have analysed algorithmic basal principle of neural works, Give algorithmic concre of classics neural works out the realization method. Summing up the characteristics of neural work algorithm. Neural work algorithm is given the basic processes. The arithmetic of BP neural work is realized in Matlab software The algorithm applies of BP neural works to the function approximation problem and pute the swatch content. And analysis of relevant parameters on the results of algorithm. Finally, The BP neural work algorithm is Outlook. Key word: neural work 。 本文雖然總結(jié)分析了 BP 神經(jīng)網(wǎng)絡(luò)算法 的 實(shí)現(xiàn) ，給出了實(shí)例分析，但是還 有很多的不足 。 同樣將所有的數(shù)據(jù)都放在整個(gè)數(shù)據(jù) 集中，包括訓(xùn)練數(shù)據(jù)、驗(yàn)證數(shù)據(jù)和測(cè)試數(shù)據(jù)，然后網(wǎng)絡(luò)輸出和相應(yīng)的期望輸出向量進(jìn)行線性回歸分析。,39。,1)。,39。