基于人工神經(jīng)網(wǎng)絡(luò)的軟測(cè)量方法(編輯修改稿)
2025-02-16 03:33 本頁面
【文章內(nèi)容簡(jiǎn)介】 q q q q q q qp i p k k i p i p k k i p i p iqkkpiE w f s w x xs? ? ? ???? ? ? ???? ? ? ??? ? ? ? ?? ? ? ?? ? ? ??? ? ? ???( ) ( ) ( 1 )()pq q qij pi pjqijEwxw? ? ? ??? ? ? ?? 初始化 加輸入和期望輸出 計(jì)算隱層和輸出層的輸出 迭代次數(shù)加 1 調(diào)節(jié)輸出層和隱層的連接權(quán)值 pjopjhjihkjkpjopkokjokjxtwtwOtwtw??????????)()1()()1( 改變訓(xùn)練樣板 訓(xùn)練樣終止？ 迭代終止？ BP算法的基本流程 No No y y BP神經(jīng)網(wǎng)絡(luò) ? BP網(wǎng)絡(luò)的優(yōu)點(diǎn)： * 只要有足夠多的隱層和隱節(jié)點(diǎn)， BP網(wǎng)絡(luò)可以逼近任意的非線性映射關(guān)系 * BP網(wǎng)絡(luò)的學(xué)習(xí)算法屬于全局逼近的方法，因而它具有較好的泛化能力 ? BP網(wǎng)絡(luò)的缺點(diǎn)： * 需要較長(zhǎng)的訓(xùn)練時(shí)間 * 容易陷入局部極小值 * 網(wǎng)絡(luò)結(jié)構(gòu)難以確定（隱層和隱層節(jié)點(diǎn)數(shù)） BP神經(jīng)網(wǎng)絡(luò) ? BP算法的改進(jìn)： *引入動(dòng)量項(xiàng) K1時(shí)刻的負(fù)梯度 ? ?( ) ( 1 ) ( ) ( 1 )w k D k D k? ? ?? ? ? ? ?K時(shí)刻的負(fù)梯度 動(dòng)量因子 BP神經(jīng)網(wǎng)絡(luò) ? BP算法的改進(jìn)： * 變步長(zhǎng)法 ( 1 ) ( ) ( ) ( )( ) 2 ( 1 )s g n [ ( ) ( 1 ) ]w k w k k D kkkD k D k?????? ? ????? BP神經(jīng)網(wǎng)絡(luò) ? Matlab神經(jīng)網(wǎng)絡(luò)工具箱 BP網(wǎng)絡(luò)函數(shù) 生成網(wǎng)絡(luò)： newff 學(xué)習(xí)規(guī)則： learngd， learngdm 訓(xùn)練算法： traingd， traingdm， traingda， traingdx， trainlm 變換函數(shù)： tansig， purelin， logsig 訓(xùn)練網(wǎng)絡(luò)： train 仿真網(wǎng)絡(luò)： sim 畫圖： plotes， plotep， ploterr， barerr BP神經(jīng)網(wǎng)絡(luò) ? 應(yīng)用 Matlab實(shí)現(xiàn) BP網(wǎng)絡(luò) * 首先建立一個(gè) BP網(wǎng)絡(luò)： = newff([1 2。0 5],[3 1],{‘tansig’‘purelin’},’traingd’)。 兩輸入變量的取值范圍 隱含層節(jié)點(diǎn)數(shù) 3, 輸出層節(jié)點(diǎn)數(shù) 1 隱含層節(jié)點(diǎn)的轉(zhuǎn)換函數(shù) 訓(xùn)練函數(shù)的選取 輸出層節(jié)點(diǎn)的轉(zhuǎn)換函數(shù) BP神經(jīng)網(wǎng)絡(luò) ? 應(yīng)用 Matlab實(shí)現(xiàn) BP網(wǎng)絡(luò) * 訓(xùn)練網(wǎng)絡(luò)： p = [1 1 2 2。0 5 0 5]。 t = [1 1 1 1]。 = 50。 = 。 = 300。 = 1e5。 [,tr]=train(,p,t)。 BP神經(jīng)網(wǎng)絡(luò) ? 應(yīng)用 Matlab實(shí)現(xiàn) BP網(wǎng)絡(luò) * 仿真網(wǎng)絡(luò)： p = [1。2]。 a = sim(,p) a = p = [1 3 2。2 4 1]。 a=sim(,p) a = BP神經(jīng)網(wǎng)絡(luò) ? 例：設(shè)計(jì) BP網(wǎng)絡(luò)逼近定義在 [1 1]上的函數(shù)： 20 . 4 e x p ( (0 . 2 ) )yx? ? ? BP神經(jīng)網(wǎng)絡(luò) ? Matlab程序如下： %%%%訓(xùn)練樣本集的獲取 P=[1::1]。 for i=1:21 T(i)=*exp(((i))^2/1)。 end plot(P,T,39。+39。)。 title(39。Training Vectors39。)。 xlabel(39。Input Vector P39。)。 ylabel(39。Target Vector T39。)。 pause %%%%%建立一個(gè) BP網(wǎng)絡(luò)，并訓(xùn)練 =newff(minmax(P),[5 1],{39。tansig39。 39。purelin39。},39。trainlm39。)。 =10。 =。 =。 =100。 [,tr]=train(,P,T)。 BP神經(jīng)網(wǎng)絡(luò) ? Matlab程序如下 ： %%%%檢驗(yàn)網(wǎng)絡(luò)的泛化能力 SP=[1::1] for i=1:7 ST(i)=*exp(((i))^2/1)。 end sy=sim(,SP) sse=sumsqr(STsy)。 plot(SP,sy, 39。o39。)。 hold off BP神經(jīng)網(wǎng)絡(luò) ? 有關(guān)圖形： 訓(xùn)練誤差 訓(xùn)練數(shù)據(jù)擬合情況 泛化能力 BP神經(jīng)網(wǎng)絡(luò) ? 應(yīng)用圖形用戶界面（ GUI）： To start, type nntool 1. Define the work input and target 2. Creat work BP神經(jīng)網(wǎng)絡(luò) ? 應(yīng)用圖形用戶界面（ GUI）： 1. Define the work input and target BP神經(jīng)網(wǎng)絡(luò) ? 應(yīng)用圖形用戶界面（ GUI）： 2. Create Network View the work BP神經(jīng)網(wǎng)絡(luò) ? 應(yīng)用圖形用戶界面（ GUI）： 2. Create Network BP神經(jīng)網(wǎng)絡(luò) ? 應(yīng)用圖形用戶界面（ GUI）： 3. Train the work BP神經(jīng)網(wǎng)絡(luò) ? 應(yīng)用圖形用戶界面（ GUI）： 3. Train the work BP神經(jīng)網(wǎng)絡(luò) ? 應(yīng)用圖形用戶界面（ GUI）： 3. Train the work BP神經(jīng)網(wǎng)絡(luò) ? 應(yīng)用圖形用戶界面（ GUI）： 訓(xùn)練誤差： iw{1,1}= [ 。 。 ] iw{2,1}= [ ] b{1}= [。 。 ] b{2}= [] BP神經(jīng)網(wǎng)絡(luò) ? 應(yīng)用圖形用戶界面（ GUI）： 4. Simulate the work： a= [ ] RBF神經(jīng)網(wǎng)絡(luò) ? RBF(Radial Basis Function)網(wǎng)絡(luò)的結(jié)構(gòu)： 具有單隱層的前饋神經(jīng)網(wǎng)絡(luò) 隱單元的變換函數(shù)是徑向基函數(shù) RBF神經(jīng)網(wǎng)絡(luò) ? RBF網(wǎng)絡(luò)的輸入輸出關(guān)系： ? ?? ?1122
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1