【正文】 td(an,meant,stdt)。時間39。Validation39。39。tansig39。時間39。Validation39。39。trainlm39。 基于BP神經(jīng)網(wǎng)絡(luò)對膽固醇含量估計步驟一：網(wǎng)絡(luò)建立一切準備工作做好后，開始建立網(wǎng)絡(luò)。iival=4:4:Q。prepca擬設(shè)計一臺儀器，通過對血液樣本進行光譜分析來測試血清中膽固醇水平。（1）頻率參數(shù)設(shè)為k=2，當(dāng)隱層神經(jīng)元數(shù)目分別取n=n=6時。仿真輸出39。39。（開始訓(xùn)練網(wǎng)絡(luò)）TRAINLMcalcjx, Epoch 0/50, MSE , Gradient TRAINLMcalcjx, Epoch 3/50, MSE , Gradient TRAINLM, Performance goal met.從以上結(jié)果可以看出，網(wǎng)絡(luò)訓(xùn)練速度很快。)。)title(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。xlabel(39。k=1。 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)，對網(wǎng)絡(luò)進行訓(xùn)練。BP網(wǎng)絡(luò)經(jīng)常采用S型的對數(shù)或正切函數(shù)和線性函數(shù)。Matlab R2007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)計的函數(shù)。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。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)有多個局部最優(yōu)解。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，對于任意函數(shù)模擬逼近。這種能力使其在圖像復(fù)原、語言處理、模式識別等方面具有重要應(yīng)用。（2） 模式識別：用一個待定的輸出向量將它與輸入向量聯(lián)系起來。這與現(xiàn)代計算機的脆弱性形成鮮明對比。BP 神經(jīng)網(wǎng)絡(luò)的信息處理方式具有如下特點: 1）信息分布存儲。這些神經(jīng)元如同人的神經(jīng)細胞一樣是互相關(guān)聯(lián)的。根據(jù)網(wǎng)絡(luò)的結(jié)構(gòu)和神經(jīng)元的特性，網(wǎng)絡(luò)的運行還有可能進入周期振蕩或其他如混沌平衡狀態(tài)。3) 層內(nèi)互連前向網(wǎng)絡(luò) ，通過層內(nèi)神經(jīng)元的相互結(jié)合，可以實現(xiàn)同一層神經(jīng)元之間的橫向抑制或興奮機制。 人工神經(jīng)元（感知器）示意圖當(dāng)神經(jīng)元j有多個輸入xi(i=1，2,…,m)和單個輸出yj時，輸入和輸出的關(guān)系可表示為: ()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)，或稱激勵函數(shù)。因此，人工神經(jīng)網(wǎng)絡(luò)作為經(jīng)驗?zāi)Ｐ偷囊环N，在化工生產(chǎn)、研究和開發(fā)中得到了越來越多的用途。模仿生物神經(jīng)網(wǎng)絡(luò)而建立的人工神經(jīng)網(wǎng)絡(luò)，對輸入信號有功能強大的反應(yīng)和處理能力[9]。股票市場預(yù)測、地震預(yù)報、有價證券管理、借貸風(fēng)險分析、IC卡管理和交通管理。而這些軟件往往只針對某一方面的問題有效，并且在人機接口、用戶友好性等諸多方面存在一定的缺陷。（2）建立理論模型：根據(jù)生物圓形的研究，建立神經(jīng)元、神經(jīng)網(wǎng)絡(luò)的理論模型，其中包括概念模型、知識模型、物理化學(xué)模型、數(shù)學(xué)模型等。20世紀80年代后期到90年代初，神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論形成了發(fā)展的熱點，多種模型、算法和應(yīng)用被提出，研究經(jīng)費重新變得充足，使得研究者們完成了很多有意義的工作。2）20世紀60年代20世紀70年代：低潮時期到了20世紀60年代，人們發(fā)現(xiàn)感知器存在一些缺陷，例如，它不能解決異或問題，因而研究工作趨向低潮。人工神經(jīng)網(wǎng)絡(luò)與其它傳統(tǒng)方法相結(jié)合，將推動人工智能和信息處理技術(shù)不斷發(fā)展。在解決實際問題中，應(yīng)用MATLAB 語言構(gòu)造典型神經(jīng)網(wǎng)絡(luò)的激活傳遞函數(shù)，編寫各種網(wǎng)絡(luò)設(shè)計與訓(xùn)練的子程序，網(wǎng)絡(luò)的設(shè)計者可以根據(jù)需要調(diào)用工具箱中有關(guān)神經(jīng)網(wǎng)絡(luò)的設(shè)計訓(xùn)練程序，使自己能夠從煩瑣的編程中解脫出來，減輕工程人員的負擔(dān)，從而提高工作效率。神經(jīng)網(wǎng)絡(luò)具有大規(guī)模并行、分布式存儲和處理、自組織、自適應(yīng)和自學(xué)習(xí)能力，特別適合處理需要同時考慮許多因素和條件的、不精確和模糊的信息處理問題。然后分析了神經(jīng)網(wǎng)絡(luò)算法的基本原理，給出經(jīng)典神經(jīng)網(wǎng)絡(luò)算法的具體實現(xiàn)方法，總結(jié)神經(jīng)網(wǎng)絡(luò)算法的特點，并給出神經(jīng)網(wǎng)絡(luò)算法的基本流程。神經(jīng)網(wǎng)絡(luò)與其他傳統(tǒng)方法相組合，將推動人工智能和信息處理技術(shù)不斷發(fā)展。雖然單個神經(jīng)元的結(jié)構(gòu)極其簡單，功能有限，但大量神經(jīng)元構(gòu)成的網(wǎng)絡(luò)系統(tǒng)所能實現(xiàn)的行為卻是極其豐富多彩的。神經(jīng)計算機的研究發(fā)展很快，已有產(chǎn)品進入市場。這些都是在20世紀70年代和20世紀80年代初進行的工作。2）充分發(fā)揮兩種技術(shù)各自的優(yōu)勢是一個有效方法。（4）神經(jīng)網(wǎng)絡(luò)應(yīng)用系統(tǒng)：在網(wǎng)絡(luò)模型與算法研究的基礎(chǔ)上，利用神經(jīng)網(wǎng)絡(luò)組成實際的應(yīng)用系統(tǒng)，例如，完成某種信號處理或模式識別的功能、構(gòu)成專家系統(tǒng)、制成機器人等。下面列出一些主要應(yīng)用領(lǐng)域[4]：（1）模式識別和圖像處理。（5）空間科學(xué)。但是，實際上神經(jīng)網(wǎng)絡(luò)并沒有完全反映大腦的功能，只是對生物神經(jīng)網(wǎng)絡(luò)進行了某種抽象、簡化和模擬[8]。它主要由細胞體、樹突、軸突和突觸(Synapse，又稱神經(jīng)鍵)組成。神經(jīng)元分層排列，分別組成輸入層、中間層（也稱為隱含層，可以由若干層組成）和輸出層。4) 相互結(jié)合型網(wǎng)絡(luò)，這種網(wǎng)絡(luò)在任意兩個神經(jīng)元之間都可能有連接。其由輸入層、中間層、輸出層組成的階層型神經(jīng)網(wǎng)絡(luò)，中間層可擴展為多層。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。人腦神經(jīng)元之間傳遞脈沖信號的速度遠低于馮 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。 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[12]。另外， BP 神經(jīng)網(wǎng)絡(luò)具有優(yōu)化計算能力。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。 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。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。用于在對話框中創(chuàng)建一個BP網(wǎng)絡(luò)。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。 BP網(wǎng)絡(luò)在函數(shù)逼近中的應(yīng)用 問題的提出BP網(wǎng)絡(luò)由很強的映射能力，主要用于模式識別分類、函數(shù)逼近、函數(shù)壓縮等。plot（p，t，39。ylabel(39。tansig39。figure。xlabel(39。步驟3：網(wǎng)絡(luò)訓(xùn)練應(yīng)用train（）函數(shù)對網(wǎng)絡(luò)進行訓(xùn)練之前，需要預(yù)先設(shè)置網(wǎng)絡(luò)訓(xùn)練參數(shù)。plot(p,t,39。)。 訓(xùn)練后網(wǎng)絡(luò)的輸出結(jié)果其中 “ ” 代表要逼近的非線性函數(shù)曲線；“‥‥‥” 代表未經(jīng)訓(xùn)練的函數(shù)曲線；“―――” 代表經(jīng)過訓(xùn)練的函數(shù)曲線；從圖中可以看出，得到的曲線和原始的非線性函數(shù)曲線很接近。 當(dāng)n=10時訓(xùn)練后網(wǎng)絡(luò)的輸出結(jié)果 當(dāng)n=15時訓(xùn)練后網(wǎng)絡(luò)的輸出結(jié)果其中 “ ” 代表要逼近的非線性函數(shù)曲線；“‥‥‥ ” 代表未經(jīng)訓(xùn)練的函數(shù)曲線；“―――” 代表經(jīng)過訓(xùn)練的函數(shù)曲線； 討論通過上述仿真結(jié)果可知，當(dāng) k=1，n=3時；k=2，n=6時； k=4，n=8時；k=8，n=15時，BP神經(jīng)網(wǎng)絡(luò)分別對函數(shù)取得了較好的逼近效果。（1）將數(shù)據(jù)導(dǎo)入Matlab 工作空間，進行主要成分的分析。[R,Q]=size(ptrans)R = 4Q = 264從中可以看出通過主要成分分析，輸入數(shù)據(jù)從21組減少到4組，由此可見原始數(shù)據(jù)有著很大的冗余度。=tn(:,iival)。net=newff(minmax(ptr),[5 3],{39。 訓(xùn)練過程=5。,39。,1)。an=sim(net,ptrans)。},39。,39。,1)。,39。同樣將所有的數(shù)據(jù)都放在整個數(shù)據(jù)集中，包括訓(xùn)練數(shù)據(jù)、驗證數(shù)據(jù)和測試數(shù)據(jù)，然后網(wǎng)絡(luò)輸出和相應(yīng)的期望輸出向量進行線性回歸分析。本文所總結(jié)的BP神經(jīng)網(wǎng)絡(luò)和目前研究的現(xiàn)狀都還不夠全面，經(jīng)過程序調(diào)試的圖形有可能都還存在很多細節(jié)上的問題，而圖形曲線所實現(xiàn)效果都還不夠好，以及結(jié)果分析不夠全面，正確，缺乏科學(xué)性等，這些都還是需加強提高的，本文的完成不代表就對這門學(xué)科研究的結(jié)束，還有很多知識，理論，研究成果需要不斷學(xué)習(xí)，近幾年的不斷發(fā)展，神經(jīng)網(wǎng)絡(luò)更是取得了非常廣泛的應(yīng)用，和令人矚目的發(fā)展，在很多方面都發(fā)揮了其獨特的作用，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、模式識別等眾多方面的應(yīng)用實例，給人們帶來了很多應(yīng)用上到思考，和解決方法的