matlab神經(jīng)網(wǎng)絡(luò)工具箱-wenkub.com
2025-05-22 22:54 本頁面
【正文】 ? 關(guān)于這些，大家可以自己通過參數(shù)調(diào)整試一試，并在實(shí)驗(yàn)報(bào)告中有所反映。 從圖中可以看出，得到的曲線和原始的非線性函數(shù)曲線很接近。)。訓(xùn)練后網(wǎng)絡(luò)的輸出結(jié)果 39。39。 figure。 ? 訓(xùn)練后得到的誤差變化過程如圖： = 50。)。時(shí)間 39。) title(39。 plot(p,t,39。trainlm39。tansig39。 ? Step 2: 網(wǎng)絡(luò)建立 應(yīng)用函數(shù) newff()建立 BP網(wǎng)絡(luò)結(jié)構(gòu)，為二層 BP網(wǎng)絡(luò)。)。要逼近的非線性函數(shù) 39。 t = sin(k*pi*p)。 % 訓(xùn)練網(wǎng)絡(luò) A=sim(,p) %網(wǎng)絡(luò)仿真 目標(biāo)線 訓(xùn)練誤差變化曲線 訓(xùn)練誤差變化曲線（每次不同） 實(shí)驗(yàn) 2: BP網(wǎng)絡(luò)用于曲線擬合 ? 要求設(shè)計(jì)一個(gè)簡單的 BP網(wǎng)絡(luò)，實(shí)現(xiàn)對非線性函數(shù)的逼近。 =50。traingdm39。tansig39。 BP網(wǎng)絡(luò)的快速學(xué)習(xí)算法與選擇 學(xué)習(xí)算法 適用問題類型 收斂性能 占用存儲(chǔ)空間 其他特點(diǎn) trainlm 函數(shù)擬合 收斂快 ,誤差小 大 性能隨網(wǎng)絡(luò)規(guī)模 增大而變差 trainrp 模式分類 收斂最快 較小 性能隨網(wǎng)絡(luò)訓(xùn)練誤差減小而變差 trainscg 函數(shù)擬合 模式分類 收斂較快 性能穩(wěn)定 中等 尤其適用于網(wǎng)絡(luò)規(guī)模較大的情況 trainbfg 函數(shù)擬合 收斂較快 較大 計(jì)算量歲網(wǎng)絡(luò)規(guī)模的增大呈幾何增長 traingdx 模式分類 收斂較慢 較小 適用于提前停止 的方法 MATLAB神經(jīng)網(wǎng)絡(luò)工具箱對常規(guī) BP算法進(jìn)行改進(jìn) ,提供了一系列快速算法 ,以滿足不同問題的需要 BP網(wǎng)絡(luò)的訓(xùn)練 利用已知的 ”輸入 — 目標(biāo) ”樣本向量數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練 ,采用 train 函數(shù)來完成 . 訓(xùn)練之前 , 對訓(xùn)練參數(shù)進(jìn)行設(shè)置 訓(xùn)練參數(shù) 參數(shù)含義 默認(rèn)值 訓(xùn)練步數(shù) 100 顯示訓(xùn)練結(jié)果的間隔步數(shù) 25 訓(xùn)練目標(biāo)誤差 0 訓(xùn)練允許時(shí)間 INf 學(xué)習(xí)率 = train(, P, T) BP網(wǎng)絡(luò)的設(shè)計(jì) (1) ?網(wǎng)絡(luò)層數(shù) 已經(jīng)證明 ,單隱層的 BP網(wǎng)絡(luò)可以實(shí)現(xiàn)任意非線性映射 . BP網(wǎng)絡(luò)的隱層數(shù)一般不超過兩層 . ?輸入層的節(jié)點(diǎn)數(shù) 輸入層接收外部的輸入數(shù)據(jù) , 節(jié)點(diǎn)數(shù)取決于輸入向量的維數(shù) ?輸出層的節(jié)點(diǎn)數(shù) 輸出層的節(jié)點(diǎn)數(shù)取決于輸出數(shù)據(jù)類型和該類型所需的數(shù)據(jù)大小 . 對于模式分類問題 ,節(jié)點(diǎn)數(shù)為 2log mBP網(wǎng)絡(luò)的設(shè)計(jì) (2) ?隱層的節(jié)點(diǎn)數(shù) 隱層的節(jié)點(diǎn)數(shù)與求解問題的要求 ,輸入輸出單元數(shù)多少有關(guān) . 對于模式識別 /分類的節(jié)點(diǎn)數(shù)可按下列公式設(shè)計(jì) ?傳遞函數(shù) 隱層傳遞函數(shù)采用 S型函數(shù) , 輸出層采用 S型函數(shù)或線性函數(shù) ?訓(xùn)練方法及其參數(shù)選擇 針對不同應(yīng)用 , BP網(wǎng)絡(luò)提供了多種訓(xùn)練學(xué)習(xí)方法 . 0in n n a? ? ?n其中 為隱層節(jié)點(diǎn)數(shù) , in 為輸入節(jié)點(diǎn)數(shù) , a 為 1~10之間的整數(shù) BP網(wǎng)絡(luò)設(shè)計(jì)實(shí)例 采用動(dòng)量梯度下降算法訓(xùn)練 BP網(wǎng)絡(luò) . 訓(xùn)練樣本 %定義訓(xùn)練樣本 p=[1 1 3 1。在輸出層把現(xiàn)行輸出和期望輸出進(jìn)行比較，如果現(xiàn)行輸出不等于期望輸出，則進(jìn)入反向傳播過程。 BP網(wǎng)絡(luò) ? 多層前饋網(wǎng)絡(luò) ? 主要功能 : 函數(shù)逼近 , 模式識別 , 信息分類 ? 傳遞函數(shù) :隱層采用 S形函數(shù) ,輸出層 S形函數(shù)或線性函數(shù) BP網(wǎng)絡(luò)的生成 newff 函數(shù) newff用來生成一個(gè) BP網(wǎng)絡(luò) =newff(PR,[S1 S2...SN],{TF1 TF2... TFN},BTF,BLF,PF) PR: 一個(gè) R 2矩陣 ,
范文總結(jié)相關(guān)推薦
鄂ICP備17016276號-1