【正文】 的時候，訓(xùn)練次數(shù)為769次，均未達(dá)到所設(shè)定的要求，產(chǎn)生了“Minimum step size reached, performance goal was not met”的結(jié)果?？赡芤馕吨訁^(qū)間的長度與計算機(jī)舍入誤差相當(dāng)，無法繼續(xù)計算了，原因可能是有奇點(diǎn)（無限小且不實際存在），另外也存在是初值問題，理論上得知：共軛梯度法最大局限是依賴于初值，在有限的迭代次數(shù)內(nèi)可能既不能搜索到全局極值也不能搜索到局部極值。因此該算法適用于精度要求比較低的高維網(wǎng)絡(luò)之中。 調(diào)整初始權(quán)值和閾值的仿真，下面首先通過MATLAB程序段一，通過隨機(jī)設(shè)置權(quán)值初始化網(wǎng)絡(luò)方式獲取訓(xùn)練好的閾值和權(quán)值，作為MATLAB程序段二的初始化值。由此進(jìn)行仿真分析。① MATLAB程序段一：x=4::4。y1=sin((1/2)*pi*x)+sin(pi*x)。net=newff(minmax(x),[1,15,1],{39。tansig39。,39。tansig39。,39。purelin39。},39。trainlm39。)。=2000。=。%初始化網(wǎng)絡(luò)，用newff創(chuàng)建網(wǎng)絡(luò)，其權(quán)值和閾值初始化函數(shù)的默認(rèn)值是initnw。%initnw據(jù)NguyenWidrow規(guī)則初始化算法對網(wǎng)絡(luò)層的權(quán)值和閾值進(jìn)行初始化，該算法%的初始化值，可以使網(wǎng)絡(luò)層中每個神經(jīng)元的作用范圍近似地在網(wǎng)絡(luò)層的輸入空間均%勻分布。 與純隨機(jī)初始化權(quán)值和閾值的方法比較，初始化算法有以下優(yōu)點(diǎn)： 神經(jīng) %元的浪費(fèi)少（因為所有神經(jīng)元都分布在輸入空間內(nèi)）；網(wǎng)絡(luò)的訓(xùn)練速度快（因為輸入%空間的每一個區(qū)域都有神經(jīng)元）；這里是用rands重新設(shè)置權(quán)值和閾值。{1}.initF=39。initnw39。{2}.initF=39。initnw39。{1,1}.initF=39。rands39。{2,1}.initF=39。rands39。{1,1}.initF=39。rands39。{2,1}.initF=39。rands39。net=init(net)。%查看初始化后的權(quán)值和閾值{1,1}{1}{2,1}{2}net=train(net,x,y1)。%得出訓(xùn)練好的權(quán)值和閾值供MATLAB程序段二使用{1,1}{1}{2,1}{2}y2=sim(net,x)。err=y2y1。res=norm(err)。pauseplot(x,y1)。hold onplot(x,y2,39。r+39。)。② MATLAB程序段二：x=4::4。y1=sin((1/2)*pi*x)+sin(pi*x)。net=newff(minmax(x),[1,15,1],{39。tansig39。,39。tansig39。,39。purelin39。},39。trainlm39。)。=2000。=。%從程序段一得出的數(shù)據(jù){1,1}=。{1}=。 {2,1}=[。。]。{2}=[。。]。net=train(net,x,y1)。y2=sim(net,x)。err=y2y1。res=norm(err)。pauseplot(x,y1)。hold onplot(x,y2,39。r+39。)。 圖19兩程序段運(yùn)行后誤差曲線圖 從上面的仿真結(jié)果看，第一個程序用隨機(jī)的初始權(quán)值和閾值達(dá)到目標(biāo)誤差完成訓(xùn)練需要264個回合，而選用已訓(xùn)練好的權(quán)值和閾值僅用167個回合就完成了訓(xùn)練，因此選擇合適的初始化權(quán)值和閾值將加速網(wǎng)絡(luò)的訓(xùn)練，大大提高了學(xué)習(xí)的收斂速度。因此關(guān)于設(shè)置網(wǎng)絡(luò)初始權(quán)值和閾值的優(yōu)化方法是一個值得研究的問題。 其他影響因素仿真在算法選擇上，在下面的仿真中將使用LM算法測試其他影響因素，比如通過選擇不同的激活函數(shù)、修改學(xué)習(xí)步長和目標(biāo)誤差等觀察對仿真曲線的影響程度。如果將輸入層激活函數(shù)設(shè)置為purelin，x=4::4，epochs=1000，goal=，其余不變則會產(chǎn)生如下結(jié)果：經(jīng)過多次反復(fù)實驗，有時不能達(dá)到目標(biāo)誤差，有時又很快達(dá)到目標(biāo)誤差，且仿真效果會產(chǎn)生不同程度的失真或有時效果很好。如果將輸入層激活函數(shù)設(shè)為tansig，則學(xué)習(xí)很快收斂且達(dá)到目標(biāo)誤差，仿真效果很好，且多次仿真結(jié)果比較穩(wěn)定，明顯要比輸入層激活函數(shù)設(shè)為purelin要好。如果將這三層神經(jīng)元的激活函數(shù)都設(shè)置為tansig的話，在多次試驗中，訓(xùn)練回合數(shù)為1000。 討論綜上兩種情況比較下，其中當(dāng)隱層神經(jīng)元為五個時，前面兩個輸出期望值的跟蹤較好，而第三個輸出則吻合得不是很理想，作進(jìn)一步研究，在當(dāng)隱層數(shù)據(jù)為15時，較第一種情況，它的輸出更加接近于期望值。比較可知，當(dāng)隱層數(shù)目越多，則測試得到的樣本水平越接近于期望值。 結(jié)論本文首先總結(jié)了神經(jīng)網(wǎng)絡(luò)的研究目的和意義，介紹了神經(jīng)網(wǎng)絡(luò)的研究背景和現(xiàn)狀，分析了目前神經(jīng)網(wǎng)絡(luò)研究中存在的問題，然后描述了BP神經(jīng)網(wǎng)絡(luò)算法的實現(xiàn)以及BP神經(jīng)網(wǎng)絡(luò)的工作原理，給出了BP網(wǎng)絡(luò)的局限性。在以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的前提下，分析研究了BP神經(jīng)網(wǎng)絡(luò)在函數(shù)逼近和樣本含量估計兩個實例中的應(yīng)用。以及分析了結(jié)論，即信號的頻率越高，則隱層節(jié)點(diǎn)越多，隱單元個數(shù)越多，逼近能力越強(qiáng)。和隱層數(shù)目越多，測試得到的樣本的水平越接近于期望值。本文雖然總結(jié)分析了BP神經(jīng)網(wǎng)絡(luò)算法的實現(xiàn)，給出了實例分析，但是還有很多的不足。所總結(jié)的BP神經(jīng)網(wǎng)絡(luò)和目前研究的現(xiàn)狀都還不夠全面，經(jīng)過程序調(diào)試的圖形有可能都還存在很多細(xì)節(jié)上的問題，而圖形曲線所實現(xiàn)效果都還不夠好，以及結(jié)果分析不夠全面，正確，缺乏科學(xué)性等，這些都還是需加強(qiáng)提高的，本文的完成不代表就對這門學(xué)科研究的結(jié)束，還有很多知識，理論，研究成果需要不斷學(xué)習(xí)。近幾年的不斷發(fā)展，神經(jīng)網(wǎng)絡(luò)更是取得了非常廣泛的應(yīng)用，和令人矚目的發(fā)展，在很多方面都發(fā)揮了其獨(dú)特的作用，特別是在人工智能、自動控制、計算機(jī)科學(xué)、信息處理、機(jī)器人、模式識別等眾多方面的應(yīng)用實例，給人們帶來了很多應(yīng)用上到思考，和解決方法的研究。但是神經(jīng)網(wǎng)絡(luò)的研究最近幾年還沒有達(dá)到非常熱門的階段，這還需有很多熱愛神經(jīng)網(wǎng)絡(luò)和研究神經(jīng)網(wǎng)絡(luò)人員的不斷研究和創(chuàng)新，在科技高度發(fā)達(dá)的現(xiàn)在，我們有理由期待，也有理由相信。我想在不久的將來神經(jīng)網(wǎng)絡(luò)會應(yīng)用到更多更廣的方面，人們的生活會更加便捷。 參考文獻(xiàn)[1] 鄭君里,楊行峻.《人工神經(jīng)網(wǎng)絡(luò)》. 北京: 高等教育出版社,:1530[2] 郝中華.《B P神經(jīng)網(wǎng)絡(luò)的非線性思想》. (4)[3] 巨軍讓，卓戎.《B P神經(jīng)網(wǎng)絡(luò)在Matlab中的方便實現(xiàn) 》.(1)[4] 蔣宗禮.《人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論》. 高等教育出版社，:1590[5] 聞新、周露、王丹力、熊曉英.《》，:1050[6] 葛哲學(xué)、孫志強(qiáng)編著 .《神經(jīng)網(wǎng)絡(luò)與matlab2007實現(xiàn)》. 北京：電子工業(yè)出版社，:15[7] 董長虹 編著 .《Matlab神經(jīng)網(wǎng)絡(luò)與應(yīng)用》. 北京：國防工業(yè)出版社，:113[8] 胡守仁，等.《神經(jīng)網(wǎng)絡(luò)導(dǎo)論》.長沙：國防科技大學(xué)出版社，1993:2345[9] 張玲，張鈸.《人工神經(jīng)網(wǎng)絡(luò)理及應(yīng)用》. 浙江：浙江科技大學(xué)出版社，:2062[10] Neural Network Tolbox User’s, The MathWorks. Inc,2003:1627[11] Matlab user’s Guide. The ,2003:2327[12] Neural Network Toolbox. Mathworks,2007:113[13] Philip D. Wasserman， Neural Computing: Theory and Practice，Van Nostrand Reinhold，1989.[14] HAGAN M T,DEMUTH H B. Neural network design[M] .PWS Publishing Company,A division of Thomson Learning,United States of America, 1996:1621629[15] 樓順天，等.《基于Matlab的系統(tǒng)分析與設(shè)計神經(jīng)網(wǎng)絡(luò)》. 西安：西安電子科技大學(xué)出版社，:2340[16] 周開利，康耀紅 編著.《神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計》.2006:1043[17] 魏海坤.《神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計的理論與方法》.國防工業(yè)出版社，:2030[18] 李學(xué)橋.《神經(jīng)網(wǎng)絡(luò)工程應(yīng)用》. 重慶：重慶大學(xué)出版社，:2073[19] 馮蓉, 楊建華.《基于BP神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近的MATLAB實現(xiàn)》[J]. 榆林學(xué)院學(xué)報, 2007,(02)[20] 李曉慧.《基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用》[J]. 科技信息, 2010,(26)[21] 徐遠(yuǎn)芳,周旸,鄭華.《基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)實現(xiàn)研究》[J]. 微型電腦應(yīng)用, 2006,(08)[22] 石云.《Bp神經(jīng)網(wǎng)絡(luò)的Matlab實現(xiàn)》[J]. 湘南學(xué)院學(xué)報, 2010,(05) 致謝經(jīng)過幾個月的努力，查找資料、深入分析，此次畢業(yè)論文終于圓滿完成。雖然自己查閱了大量資料、還進(jìn)行了深入分析，做了許多相關(guān)的工作，但沒有導(dǎo)師的悉心指導(dǎo)和其他老師同學(xué)的大力幫助，我也是無法完成此次畢業(yè)設(shè)計的，特在此向在我完成此次畢業(yè)論文過程中給了我許多鼓勵和幫助的老師同學(xué)一并致謝。首先，感謝我的導(dǎo)師從下達(dá)任務(wù)書，資料查閱、文章結(jié)構(gòu)的安排、文字表述等各個環(huán)節(jié)和各個方面都給了我悉心的指導(dǎo)。雖然她平時的工作也很繁忙，但她還是擠出許多時間，給了我許多指導(dǎo)和啟發(fā)。她淵博的知識，前沿的理論研究，嚴(yán)謹(jǐn)?shù)闹螌W(xué)精神以及誨人不倦的高尚品德都讓我無比欽佩和無比感激，我也會以她為榜樣在今后的工作和學(xué)習(xí)中繼續(xù)努力。在大學(xué)學(xué)習(xí)生活期間，得到了學(xué)院諸多老師、同學(xué)的教導(dǎo)和幫助，在此一并致謝！ 最后，向評審我的論文的老師們表示深深的敬意！并向答辯委員會的全體老師表示衷心的感謝！黑龍江八一農(nóng)墾大學(xué)畢業(yè)論文（設(shè)計）成績單院系信息技術(shù)學(xué)院專 業(yè)計算機(jī)科學(xué)與技術(shù)入學(xué)時間學(xué)號學(xué)生姓名班 級周數(shù)起止日期指導(dǎo)教師職稱論文（設(shè)計）題目指導(dǎo)教師評語指導(dǎo)教師簽名年 月 日評閱人評語評閱人簽名年 月 日答辯小組評語答辯小組負(fù)責(zé)人簽名 年 月 日評分指導(dǎo)教師評閱人答辯小組平均分五級制等級備注：本成績單一式二份，一份裝訂在畢業(yè)論文（設(shè)計）中，一份入學(xué)生學(xué)