線(xiàn)性判別函數(shù)人工神經(jīng)元網(wǎng)絡(luò)模型-資料下載頁(yè)
2025-05-26 18:07本頁(yè)面
【正文】 說(shuō)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(dǎo)函數(shù)，適用于 BP訓(xùn)練的神經(jīng)元。 ?logsig() 功能 對(duì)數(shù) Sigmoid激活函數(shù) 格式 a = logsig(N) 說(shuō)明對(duì)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(dǎo)函數(shù)，適用于 BP訓(xùn)練的神經(jīng)元。 3 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的 MATLAB實(shí)現(xiàn) ?（ 4）例 23，下表為某藥品的銷(xiāo)售情況，現(xiàn)構(gòu)建一個(gè)如下的三層 BP神經(jīng)網(wǎng)絡(luò)對(duì)藥品的銷(xiāo)售進(jìn)行預(yù)測(cè)：輸入層有三個(gè)結(jié)點(diǎn)，隱含層結(jié)點(diǎn)數(shù)為 5，隱含層的激活函數(shù)為 tansig；輸出層結(jié)點(diǎn)數(shù)為 1個(gè)，輸出層的激活函數(shù)為 logsig，并利用此網(wǎng)絡(luò)對(duì)藥品的銷(xiāo)售量進(jìn)行預(yù)測(cè)，預(yù)測(cè)方法采用滾動(dòng)預(yù)測(cè)方式，即用前三個(gè)月的銷(xiāo)售量來(lái)預(yù)測(cè)第四個(gè)月的銷(xiāo)售量，如用 3月的銷(xiāo)售量為輸入預(yù)測(cè)第 4個(gè)月的銷(xiāo)售量，用 4月的銷(xiāo)售量為輸入預(yù)測(cè)第 5個(gè)月的銷(xiāo)售量 .如此反復(fù)直至滿(mǎn)足預(yù)測(cè)精度要求為止。 月份 1 2 3 4 5 6 銷(xiāo)量 2056 2395 2600 2298 1634 1600 月份 7 8 9 10 11 12 銷(xiāo)量 1873 1478 1900 1500 2046 1556 數(shù)據(jù)標(biāo)準(zhǔn)化： X=(xmin)/(maxmin) 3 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的 MATLAB實(shí)現(xiàn) ?%以每三個(gè)月的銷(xiāo)售量經(jīng)歸一化處理后作為輸入 ?P=[ 。 。 。 。 。 。]39。 ?%以第四個(gè)月的銷(xiāo)售量歸一化處理后作為目標(biāo)向量 ?T=[ ]。 ?%創(chuàng)建一個(gè) BP神經(jīng)網(wǎng)絡(luò)，每一個(gè)輸入向量的取值范圍為 [0 ,1]，隱含層有 5個(gè)神經(jīng)元，輸出層有一個(gè)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(xùn)練函數(shù)為梯度下降函數(shù)，即 算法 ?=newff([0 1。0 1。0 1],[5,1],{39。tansig39。,39。logsig39。},39。traingd39。)。 ?=15000。 ?=。 ?%設(shè)置學(xué)習(xí)速率為 ?=。 ?=train(,P,T)。 3 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的 MATLAB實(shí)現(xiàn) ?BP網(wǎng)絡(luò)應(yīng)用于藥品預(yù)測(cè)對(duì)比圖 ?由對(duì)比圖可以看出預(yù)測(cè)效果與實(shí)際存在一定誤差，此誤差可以通過(guò)增加運(yùn)行步數(shù)和提高預(yù)設(shè)誤差精度也進(jìn)一步縮小 4 BP神經(jīng)網(wǎng)絡(luò)的特點(diǎn) ?（ 1）非線(xiàn)性映射能力 ?能學(xué)習(xí)和存貯大量輸入 輸出模式映射關(guān)系，而無(wú)需事先了解描述這種映射關(guān)系的數(shù)學(xué)方程。只要能提供足夠多的樣本模式對(duì)供網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練，它便能完成由 n維輸入空間到 m維輸出空間的非線(xiàn)性映射。 ?（ 2）泛化能力 ?當(dāng)向網(wǎng)絡(luò)輸入訓(xùn)練時(shí)未曾見(jiàn)過(guò)的非樣本數(shù)據(jù)時(shí)，網(wǎng)絡(luò)也能完成由輸入空間向輸出空間的正確映射。這種能力稱(chēng)為泛化能力。 ?（ 3）容錯(cuò)能力 ?輸入樣本中帶有較大的誤差甚至個(gè)別錯(cuò)誤對(duì)網(wǎng)絡(luò)的輸入輸出規(guī)律影響很小。 5 BP神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn) BP算法的優(yōu)缺點(diǎn)： ?優(yōu)點(diǎn)：理論基礎(chǔ)牢固，推導(dǎo)過(guò)程嚴(yán)謹(jǐn)，物理概念清晰，通用性好等。所以，它是目前用來(lái)訓(xùn)練前向多層網(wǎng)絡(luò)較好的算法。 ?缺點(diǎn)： （ 1）該學(xué)習(xí)算法的收斂速度慢；（ 2）網(wǎng)絡(luò)中隱節(jié)點(diǎn)個(gè)數(shù)的選取尚無(wú)理論上的指導(dǎo)；（ 3）從數(shù)學(xué)角度看， BP算法是一種梯度最速下降法，這就可能出現(xiàn)局部極小的問(wèn)題。當(dāng)出現(xiàn)局部極小時(shí)，從表面上看，誤差符合要求，但這時(shí)所得到的解并不一定是問(wèn)題的真正解。所以 BP算法是不完備的。 小結(jié) ?BP算法背景 ?BP神經(jīng)網(wǎng)絡(luò)模型 ?BP算法 ?基本思想 ?推導(dǎo)過(guò)程 ?實(shí)現(xiàn) ?BP神經(jīng)網(wǎng)絡(luò)的 MATLAB函數(shù) ?BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用實(shí)例 ?BP神經(jīng)網(wǎng)絡(luò)與感知器神經(jīng)網(wǎng)絡(luò)的對(duì)比 謝謝！
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1