前饋神經(jīng)網(wǎng)絡續(xù)ppt課件(編輯修改稿)
2025-02-01 07:11 本頁面
【文章內(nèi)容簡介】 (s2,s1)。 %第二層權 /閾值初始化 a2=purelin(w2*tansig(w1*p,b1),b2) disp_fqre=10。max_epoch=18000。err_goal=。lr=。 tp=[disp_fqre,max_epoch,err_goal,lr]。%定義訓練參數(shù) tp [w1,b1,w2,b2,epochs,errors]=trainbp(w1,b1,39。tansig39。,w2,b2,39。purelin39。,p,t,tp) w1 w2 pause ploterr(errors) 設置數(shù)據(jù)顯示刷新頻率，學習 10次刷新一次圖象 。 設置訓練次數(shù) 18000。 設置訓練誤差值 。 設置學習率 。 2022次循環(huán)訓練結(jié)果 w1 = w2 = １８０００次循環(huán)訓練結(jié)果 （并沒有達到訓練精度） w1 = w2 = 增加隱層節(jié)點到８，即Ｓ１＝８ w1 = w2 = 改變學習訓練方法，采用ＴＲＡＩＮＬＭ訓練 ６１次循環(huán)訓練 w1 = w2 = 雖然效果改善較大但仍然未實現(xiàn)訓練精度要求 . P=0::4。 %設置輸入樣本 T=[::1 ::0 ::]。 %期望輸出值 %目標擬合曲線 plot(P,T) pause %生成 141BP網(wǎng)絡 =newff(minmax(P),[4 1],{39。logsig39。 39。purelin39。},39。trainlm39。)。 %設置第一第二層權值 {1}=[。]。 {2}=[ ]。 %設置第一層第二層閾值均為零 {1}={1}*0。 {2}={2}*0。 %網(wǎng)絡訓練參數(shù)設置 =。%設置訓練誤差值 =50。%設置數(shù)據(jù)顯示刷新頻率，學習５０次刷新一次圖象 =1000。%設置訓練次數(shù) [,tr]=train(,P,T)。%進行網(wǎng)絡訓練 Y=sim(,P)。%進行仿真運算 pause plot(P,T,P,Y,39。r39。) {1}%輸出第一層權值 {2}%輸出第二層權值 程序 2 579次學習訓練結(jié)果 TRAINLM, Epoch 250/1000, MSE , Gradient TRAINLM, Epoch 300/1000, MSE , Gradient TRAINLM, Epoch 350/1000, MSE , Gradient TRAINLM, Epoch 400/1000, MSE , Gradient TRAINLM, Epoch 450/1000, MSE , Gradient TRAINLM, Epoch 500/1000, MSE , Gradient TRAINLM, Epoch 550/1000, MSE , Gradient TRAINLM, Epoch 579/1000, MSE , Gradient TRAINLM, Maximum MU reached, performance goal was not met. W1 = W2 = 程序 2也沒有實現(xiàn)訓練精度 ! 程序 1每執(zhí)行一次會得到不同的訓練結(jié)果 ,而程序 2每次運行的結(jié)果總是相同的 ,都學習 579次 ,權值解也不變 .為什么 ? 因為 ,程序 1的權值是每次隨機生成 ,訓練權值的起點不同 ,所得結(jié)果會不同 .而程序 2的初始權值是固定的 ,也就是說 ,從誤差曲面的起點是固定的 ,訓練方法一定的情況下 ,所的的解當然是不變的 . 上述兩程序 ,已經(jīng)采用了不同的學習訓練方法 ,但仍求不出理想效果 ,可以肯定的原因是 :? 。 ,可就曲線來看 ,是個不連續(xù)函數(shù) ,BP的單隱層映射能力是不夠的 ,所以應考慮采用雙隱層試一試 . 改 程序 2中單隱層節(jié)點數(shù)到 10，運行分析結(jié)果 145次運行滿足誤差要求 TRAINLM, Epoch 0/1000, MSE , Gradient TRAINLM, Epoch 50/1000, MSE , Gradient TRAINLM, Epoch 100/1000, MSE , Gradient TRAINLM, Epoch 145/1000, MSE , Gradient TRAINLM, Performance goal met.
教學課件相關推薦
鄂ICP備17016276號-1