bp神經(jīng)網(wǎng)絡模型教案-資料下載頁
2025-05-25 22:33本頁面
【正文】 learngdm’； PF表示性能數(shù)，默認為 ‘ mse’。 BP神經(jīng)網(wǎng)絡學習算法的 MATLAB實現(xiàn) ?MATLAB中 BP神經(jīng)網(wǎng)絡的重要函數(shù)和基本功能 ?tansig() 功能 正切 sigmoid激活函數(shù) 格式 a = tansig(n) 說明 雙曲正切 Sigmoid函數(shù)把神經(jīng)元的輸入范圍從 (∞ ，+∞) 映射到 (1， 1)。它是可導函數(shù)，適用于 BP訓練的神經(jīng)元。 ?logsig() 功能 對數(shù) Sigmoid激活函數(shù) 格式 a = logsig(N) 說明對數(shù) Sigmoid函數(shù)把神經(jīng)元的輸入范圍從 (∞ ， +∞) 映射到 (0， 1)。它是可導函數(shù)，適用于 BP訓練的神經(jīng)元。 BP神經(jīng)網(wǎng)絡學習算法的 MATLAB實現(xiàn) ?例題：下表為某藥品的銷售情況，現(xiàn)構(gòu)建一個如下的三層 BP神經(jīng)網(wǎng)絡對藥品的銷售進行預測：輸入層有三個結(jié)點，隱含層結(jié)點數(shù)為 5，隱含層的激活函數(shù)為 tansig；輸出層結(jié)點數(shù)為 1個，輸出層的激活函數(shù)為 logsig，并利用此網(wǎng)絡對藥品的銷售量進行預測，預測方法采用滾動預測方式，即用前三個月的銷售量來預測第四個月的銷售量，如用 3月的銷售量為輸入預測第 4個月的銷售量，用 4月的銷售量為輸入預測第 5個月的銷售量 .如此反復直至滿足預測精度要求為止。 月份 1 2 3 4 5 6 銷量 2056 2395 2600 2298 1634 1600 月份 7 8 9 10 11 12 銷量 1873 1478 1900 1500 2046 1556 BP神經(jīng)網(wǎng)絡學習算法的 MATLAB實現(xiàn) ?%以每三個月的銷售量經(jīng)歸一化處理后作為輸入 ?P=[ 。 。 。 。 。 。]39。 ?%以第四個月的銷售量歸一化處理后作為目標向量 ?T=[ ]。 ?%創(chuàng)建一個 BP神經(jīng)網(wǎng)絡，每一個輸入向量的取值范圍為 [0 ,1]，隱含層有 5個神經(jīng) %元，輸出層有一個神經(jīng)元，隱含層的激活函數(shù)為 tansig，輸出層的激活函數(shù)為 %logsig，訓練函數(shù)為梯度下降函數(shù)，即上面所描述的標準學習算法 ?=newff([0 1。0 1。0 1],[5,1],{39。tansig39。,39。logsig39。},39。traingd39。)。 ?=15000。 ?=。 ?%設置學習速率為 ?=。 ?=train(,P,T)。 BP神經(jīng)網(wǎng)絡學習算法的 MATLAB實現(xiàn) ?BP網(wǎng)絡應用于藥品預測對比圖 ?由對比圖可以看出預測效果與實際存在一定誤差，此誤差可以通過增加運行步數(shù)和提高預設誤差精度業(yè)進一步縮小 BP神經(jīng)網(wǎng)絡的特點 ?非線性映射能力 ?能學習和存貯大量輸入 輸出模式映射關系，而無需事先了解描述這種映射關系的數(shù)學方程。只要能提供足夠多的樣本模式對供網(wǎng)絡進行學習訓練，它便能完成由 n維輸入空間到 m維輸出空間的非線性映射。 ?泛化能力 ?當向網(wǎng)絡輸入訓練時未曾見過的非樣本數(shù)據(jù)時，網(wǎng)絡也能完成由輸入空間向輸出空間的正確映射。這種能力稱為泛化能力。 ?容錯能力 ?輸入樣本中帶有較大的誤差甚至個別錯誤對網(wǎng)絡的輸入輸出規(guī)律影響很小。 謝謝！
公司管理相關推薦
鄂ICP備17016276號-1