神經(jīng)網(wǎng)絡(luò)之bp神網(wǎng)絡(luò)(完整版)
【正文】 例十五：印刷體字母識別 ? 輸入信號：特征向量 網(wǎng)格圖像－－－－－－－特征向量（ 35個元素） 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)行模式識別 ? 輸出信號：識別向量 – 維數(shù)： 26（只考慮大寫） – 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)行模式識別 ? 無噪聲訓(xùn)練 – 用理想輸入信號進(jìn)行訓(xùn)練 – 對于有噪聲信號的效果不好 ? 有噪聲訓(xùn)練 – 用有噪聲的信號進(jìn)行訓(xùn)練 – 對于理想信號的識別也采用有噪聲方法，浪費 ? 綜合訓(xùn)練 – 無噪聲－有噪聲－無噪聲 42 應(yīng)用 BP網(wǎng)絡(luò)進(jìn)行模式識別 ? 網(wǎng)絡(luò)效果評價 – 分別評價添加噪聲信號訓(xùn)練前后 – 分別針對不同噪聲水平評價 – 對比識別的誤差率 ? 討論（課后實驗） – 修改訓(xùn)練方法 – 修改隱藏層神經(jīng)元個數(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 – 模式識別 ? BP網(wǎng)絡(luò)的作業(yè) 。 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 BP算法 (trainbpa), LevenbergMarquardt(trainlm)算法的收斂時間和精度，給出每一次迭代后的性能指標(biāo)； – b) 測試以上模型的精度。39。 12 創(chuàng)建 BP神經(jīng)網(wǎng)絡(luò)實例 ? 例一：創(chuàng)建一個兩層的 BP網(wǎng)絡(luò) – 設(shè)置訓(xùn)練樣本，非線性 – 對比訓(xùn)練前后網(wǎng)絡(luò)輸出的變化 – 每次訓(xùn)練的結(jié)果并不相同 – 對比不同的神經(jīng)元數(shù)對解決非線性問題的影響（ 1個、 5個、 10個） ? Demo1：要解決的問題越復(fù)雜，需要的隱藏層神經(jīng)元個數(shù)越多（匹配與過調(diào)） 13 基本 BP學(xué)習(xí)算法 ? 什么是 BP？ －反向傳播 ? 什么東西被反向傳播？ －誤差 ? 為什么要反向傳播誤差？ －使得每一層都有誤差 ? 為什么要使得每一層都有誤差？ －根據(jù)誤差 修正 權(quán)值和閾值 14 如何反向
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1