【正文】 ............................................................................... 15 正向傳播 .............................................................................................. 15 反向傳播 .............................................................................................. 16 本章小結(jié) ........................................................................................................ 18 第 4 章 BP 網(wǎng)絡(luò)的自學(xué)習(xí)與預(yù)測編程 ........................................................... 19 BP 網(wǎng)絡(luò)的學(xué)習(xí)與預(yù)測神經(jīng)編程 ................................................................... 19 輸入模式順傳播 ............................................................................................ 19 輸出誤差的逆?zhèn)鞑?........................................................................................ 21 循環(huán)記憶訓(xùn)練 ................................................................................................ 24 學(xué)習(xí)結(jié)果的判別 ............................................................................................ 27 對(duì)數(shù)據(jù)的預(yù)測程序編寫 ................................................................................ 32 本章小結(jié) ........................................................................................................ 36 第五章 BP 神經(jīng)網(wǎng)絡(luò)在汽車保有量預(yù)測中的應(yīng)用 ................................. 37 汽車保有量預(yù)測的意義 ................................................................................. 37 基于 BP 神經(jīng)網(wǎng)絡(luò)的汽車保有量預(yù)測模型 .................................................. 37 汽車保有量主要影響因素分 析 ........................................................... 37 汽車保有量預(yù)測模型 ........................................................................... 37 實(shí)例分析 ............................................................................................... 38 本章小結(jié) ........................................................................................................ 43 結(jié)論 ............................................................................................................................ 44 參考文獻(xiàn) ................................................................................................................... 45 致謝 ............................................................................................................................ 46 附錄 ............................................................................................................................ 47 1 第 1章 緒 論 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史 人工神經(jīng)網(wǎng)絡(luò)早期的研究工作應(yīng)追溯至本世紀(jì) 40 年代。 本科學(xué)生畢業(yè)設(shè)計(jì) 基于 C 語言的 BP神經(jīng)網(wǎng)絡(luò)預(yù)測程序開發(fā) 系部名稱： 汽車與交通工程學(xué)院 專業(yè)班級(jí)： 車輛 學(xué)生姓名： 指導(dǎo)教師： 職 稱： 實(shí)驗(yàn)師 The Graduation Design for Bachelor39。 反向傳播 (BP) 神經(jīng)網(wǎng)絡(luò)是當(dāng)前應(yīng)用最為廣泛的一種神經(jīng)網(wǎng)絡(luò) , 它結(jié)構(gòu)簡單 , 工作狀態(tài)穩(wěn)定 , 并且已有大量提高網(wǎng)絡(luò)訓(xùn)練速度的改進(jìn)算法。 1945 年馮 這項(xiàng)工作首次把人工神經(jīng)網(wǎng)絡(luò)的研究從理論探討付諸工程實(shí)踐。 80年代初期，模擬與數(shù)字混合的 超大規(guī)模集成電路 制作技術(shù)提高到新的水平，完全付諸實(shí)用化，此外，數(shù)字計(jì)算機(jī)的發(fā)展在若干應(yīng)用領(lǐng)域遇到困難。這種思維方式的 根本之點(diǎn)在于以下兩點(diǎn) : 1． 信息是通過神經(jīng)元上的興奮模式分布儲(chǔ)在網(wǎng)絡(luò)上 。目前，主要的研究工作集中在以下幾個(gè)方面： 1． 生物原型研究。 4． 人工神經(jīng)網(wǎng)絡(luò)應(yīng)用系統(tǒng)。當(dāng)實(shí)際輸出與期望輸出不符時(shí)，進(jìn)入誤差的反向傳播階段。因此，網(wǎng)絡(luò)往往存在很大的冗余性，在一定程度上也增加了網(wǎng)絡(luò)學(xué)習(xí)的負(fù)擔(dān)。 圖 生物神經(jīng)元示意圖 細(xì)胞體是由細(xì)胞 核、細(xì)胞質(zhì)、細(xì)胞膜等組成。 神經(jīng)細(xì)胞的細(xì)胞膜將細(xì)胞體內(nèi)外分開，從而使細(xì)胞體內(nèi)外有不同的電位，一般內(nèi)部電位比外部低，其內(nèi)外電位差稱之為膜電位。因此，模擬生物神經(jīng)網(wǎng)絡(luò)應(yīng)首先模擬生物神經(jīng)元。生物神經(jīng)元具有不同的突觸性質(zhì)和突觸強(qiáng)度，其對(duì)輸入的影響是使有些輸入在神經(jīng)元產(chǎn)生脈沖輸出過程中所起的作用比另外一些輸入更為重要。 圖 閾值型變換函數(shù) （ 2）非線性變換函數(shù) 非線性變換函數(shù)為實(shí)數(shù)域 R 到 [0， l]閉集的非減連續(xù)函數(shù)，代表了狀態(tài)連續(xù)型神經(jīng)元模型。 人工神經(jīng)網(wǎng)絡(luò)模型 神經(jīng)細(xì)胞是構(gòu)筑神經(jīng)系統(tǒng)和人腦的基本單元，它既具有結(jié)構(gòu)和功能的動(dòng)態(tài)特性，又具有時(shí)間和空間的動(dòng)態(tài)特性，其簡單有序的編排構(gòu)成了復(fù)雜的大腦。人工神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元常稱為節(jié)點(diǎn)或處理單元，每個(gè)節(jié)點(diǎn)均具有相同的結(jié)構(gòu)，其動(dòng)作在時(shí)間和空間上均同步。學(xué)習(xí)效果隨著訓(xùn)練量的增加而提高，這就是通過學(xué)習(xí)獲得的進(jìn)步。神經(jīng)網(wǎng)絡(luò)能夠通過對(duì)樣本的學(xué)習(xí)訓(xùn)練，不斷改變網(wǎng)絡(luò)的連接權(quán)值以及拓?fù)浣Y(jié)構(gòu)，以使網(wǎng)絡(luò)的輸出不斷地接近期望的輸出。 本章小結(jié) 本章主要是對(duì)神經(jīng)網(wǎng)絡(luò)模型建立的基本闡述。直到誤差 反向傳播算法 （ BP 算法）的提出，成功地解決了求解非線性連續(xù)函數(shù)的 多層前饋神經(jīng)網(wǎng)絡(luò) 權(quán)重調(diào)整問題。其中 x x2…x i…x n 分別代表來自神經(jīng)元 2…i…n 的輸入； wj wj2…w ji…w jn 則分別表示神經(jīng)元 2…i…n 與第 j 個(gè)神經(jīng)元的連接強(qiáng)度，即權(quán)值； bj 為閾值； f(.)為傳遞函數(shù)； yj 為第 j 個(gè)神經(jīng)元的輸出。隱層的傳遞函數(shù)為 f1( 于是： )()()( 12m1zk kjkjpjpjjsfwsfyt ???? ??? （ ） 由鏈定理得：ikjkji xsfwsfytxEE pjpjmjzk )()()(ss 121kjpkjp kk??????????????? ????? （ ） 從而得到隱層各神經(jīng)元的權(quán)值調(diào)整公式為： 18 ij xsfwsfyt kjkpjpjmj )()()( 121p1pkj????? ???? ?? （ ） 本章小結(jié) 本章主要是對(duì) BP 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和數(shù)學(xué)模型進(jìn)行設(shè)計(jì)， BP 神經(jīng)網(wǎng)絡(luò)是現(xiàn)在應(yīng)用最廣泛，也是現(xiàn)在最成熟的神經(jīng)網(wǎng)絡(luò)，它有學(xué) 習(xí)的能力。 由于 BP 網(wǎng)絡(luò)有處于中間位置的隱含層，并有相應(yīng)的學(xué)習(xí)規(guī)則可循，可訓(xùn)練這種網(wǎng)絡(luò)，使其具有對(duì)非線性模式的識(shí)別能力。 將上面的啟動(dòng)值代入啟動(dòng)函數(shù)中可以得到中間層 j 單元的輸出值為： 11()1 e x p ( . )jj n ij i jib f s Wa ???? ? ? ?? （ ） 同理，可求出輸出端的啟動(dòng)值和輸出值： 設(shè)輸出層第 t 個(gè)單元的啟動(dòng)值為 tl ，則 1.pt jt j tjl V b r???? （ ） 設(shè)輸出層 t 個(gè)單元的實(shí)際輸出值為 tc ，則 ()ttc f l? （ t=1， 2， …q ） 式中： jtV ——中間層至輸出層連接權(quán)； t? ——輸出層單元閾值； f ——S 型啟動(dòng)函數(shù)。jwIN。jwHN。 中間層各單元的校正誤差為： )1(1jjqtktjtkj bbdve ??? ???? （ j =1， 2， … ， p k=1， 2， … ， m ） 對(duì)于輸出層至中間層連接權(quán)和輸出層閾值的校正量為 . kkjt t jV d b??? （ ） . kttd???? （ ） 其中， kjb ——中間層 j 單元的輸出； ktd ——輸出層的誤差校正。 } for (i=0。jwON。 wsto[j]+=wdsto[j]。 ww[i][j]+=wdw[i][j]。 float err[wON]。 printf(\n)。kwPN。 for (i=0。(err[i]wSERROR))。j++) { fprintf(wfpwt,%e,%e,%e\n,ww[j][i],wdw[j][i],wdw1[j][i])。 27 } if ((wfperr=fopen(wszerr,w))==NULL) { /* printf(Can39。 /*printf(循環(huán) %4d 次后 err[%d]為 : %e\n,ct,i,err[i])。 21 )(21 kknk tE ??? ?? （ ） 式中： kt ——計(jì)算的輸出值 ； k? ——實(shí)際的輸出值 ； n——樣本數(shù)。 } 所以對(duì)預(yù)測判斷的程序如下： void wTest() { int k,j,i。iwHN。wsth[i],amp。wv[j][i],amp。 if ((wfpout=fopen(wszOut,w))==NULL) { printf(Can39。 exit(1)。 } for (i=0。 fscanf(wfptest,%e,amp。 float h=wymin[wIN+k]。i++) { err[i]=。i++) { wD[i]=wDT[i][k]。 x=wOV[i]。 } fprintf(wfpout,\n)。 fprintf(wfperr,%e\n,err[i])。 float err[wON]。i++) 33 { for (j=0。wdsth[i],amp。wdv[j][i]