神經(jīng)網(wǎng)絡(luò)之bp神網(wǎng)絡(luò)(專(zhuān)業(yè)版)
【正文】 隱含： 7 tanh元 。mse39。 12 創(chuàng)建 BP神經(jīng)網(wǎng)絡(luò)實(shí)例 ? 例一：創(chuàng)建一個(gè)兩層的 BP網(wǎng)絡(luò) – 設(shè)置訓(xùn)練樣本，非線性 – 對(duì)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(duì)比不同的神經(jīng)元數(shù)對(duì)解決非線性問(wèn)題的影響（ 1個(gè)、 5個(gè)、 10個(gè)） ? Demo1：要解決的問(wèn)題越復(fù)雜，需要的隱藏層神經(jīng)元個(gè)數(shù)越多（匹配與過(guò)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 如何反向傳遞誤差 ? 輸出節(jié)點(diǎn)的誤差通過(guò)輸出層的權(quán)值反向傳播成為隱藏節(jié)點(diǎn)的誤差 jiiijjlljljjljljljjljllllllllllxwne tvne tfjyvyvne tlzltne tfztlztlE?????????????????????其中：個(gè)節(jié)點(diǎn)的誤差為：隱藏層第為輸出層的閾值為隱藏層輸出為輸出層權(quán)值個(gè)輸出的實(shí)際值為第個(gè)輸出的期望值為第其中：個(gè)輸出節(jié)點(diǎn)的誤差為：第系統(tǒng)誤差：)()()()(139。 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(zhǎng) BP算法 (trainbpa), LevenbergMarquardt(trainlm)算法的收斂時(shí)間和精度，給出每一次迭代后的性能指標(biāo)； – b) 測(cè)試以上模型的精度。 ? Y2 = sin(X2) + *randn(1,length(X2)) ? plot(X2,Y2,’o’) 33 作業(yè) 1： BP訓(xùn)練神經(jīng)網(wǎng)絡(luò) ? 2) 網(wǎng)絡(luò)結(jié)構(gòu)：輸入： 1。. ? PF 表現(xiàn)（評(píng)價(jià)）函數(shù)，默認(rèn)為 39。39。 – c) 比較 20個(gè)隱含元的神經(jīng)網(wǎng)絡(luò)建模精度，初始權(quán)值的影響，得出你的結(jié)論。 ? Y = sin(X) + *randn(1,length(X)) ? plot(X,Y,’+’) ? 測(cè)試集： ? X2 = 2*pi*rand(1,300)。learngdm39。39。 34 作業(yè) 1附加： BP網(wǎng)絡(luò)用于 Xor問(wèn)題 要求（檢驗(yàn)樣本） p=[0 0 1 1。re共軛梯度法 16t r a in c g pm a t la b111例七：訓(xùn)練步驟平均中的對(duì)應(yīng)函數(shù)：修正系數(shù)定義：－??
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1