神經(jīng)網(wǎng)絡(luò)之bp神網(wǎng)絡(luò)-wenkub.com
2025-07-18 23:39 本頁面
【正文】 方法不限 35 應(yīng)用 BP網(wǎng)絡(luò)進行函數(shù)逼近 ? 例十三：逼近頻率可變的正弦函數(shù)，觀察函數(shù)非線性程度與BP網(wǎng)絡(luò)隱藏層神經(jīng)元數(shù)目的關(guān)系，以及訓(xùn)練時間和誤差等的變化 ? 實現(xiàn)步驟 – 構(gòu)建待模擬函數(shù)（頻率可調(diào)） – 構(gòu)建 BP神經(jīng)網(wǎng)絡(luò)（隱藏神經(jīng)元個數(shù)可調(diào)） – 對網(wǎng)絡(luò)進行訓(xùn)練（采用 lm方法） 36 應(yīng)用 BP網(wǎng)絡(luò)進行函數(shù)逼近 ? 討論：誤差量、訓(xùn)練速度 – 提高待模擬函數(shù)頻率，隱藏層神經(jīng)元數(shù)量不變 – 待模擬函數(shù)頻率不變，減少隱藏層神經(jīng)元數(shù)量 – 同步提高待模擬函數(shù)頻率和神經(jīng)元個數(shù) 37 應(yīng)用 BP網(wǎng)絡(luò)進行系統(tǒng)辨識 ? 例十四：已知大量輸入輸出樣本，用神經(jīng)網(wǎng)絡(luò)描述輸入輸出之間的關(guān)系。 – c) 比較 20個隱含元的神經(jīng)網(wǎng)絡(luò)建模精度，初始權(quán)值的影響，得出你的結(jié)論。 ? Y = sin(X) + *randn(1,length(X)) ? plot(X,Y,’+’) ? 測試集： ? X2 = 2*pi*rand(1,300)。39。39。39。learngdm39。tansig39。. ? BTF – 訓(xùn)練函數(shù)，默認(rèn)為 39。. ? PF 表現(xiàn)（評價）函數(shù)，默認(rèn)為 39。39。xfxfxfExwEyvjjijijlljllj?????????????????函數(shù)導(dǎo)數(shù)：閾值權(quán)值對于隱藏層：閾值權(quán)值對于輸出層：—負(fù)梯度方向—向表現(xiàn)函數(shù)下降最快的方和閾值的修正要沿著指導(dǎo)思想：對網(wǎng)絡(luò)權(quán)值??????16 如何根據(jù)誤差求修正值 為隱藏層學(xué)習(xí)率閾值修正權(quán)值修正隱藏層：為輸出層學(xué)習(xí)率閾值修正權(quán)值修正輸出層：39。39。 ? Y2 = sin(X2) + *randn(1,length(X2)) ? plot(X2,Y2,’o’) 33 作業(yè) 1： BP訓(xùn)練神經(jīng)網(wǎng)絡(luò) ? 2) 網(wǎng)絡(luò)結(jié)構(gòu)：輸入： 1。 34 作業(yè) 1附加： BP網(wǎng)絡(luò)用于 Xor問題 要求（檢驗樣本） p=[0 0 1 1。多輸入對多輸出 ? 實現(xiàn)步驟 – 導(dǎo)入輸入輸出樣本 – 分別選取用于訓(xùn)練、測試和驗證的樣本集 – 訓(xùn)練（防止過適應(yīng)） 38 應(yīng)用 BP網(wǎng)絡(luò)進行系統(tǒng)辨識 ? 討論 – 對三路輸出分別進行線性回歸分析 – 根據(jù)結(jié)果評價網(wǎng)絡(luò)擬合效果 ? 可能的修正方法 – 修改訓(xùn)練算法 – 修改網(wǎng)絡(luò)結(jié)構(gòu) – 修改隱藏神經(jīng)元個數(shù) 39 應(yīng)用 BP網(wǎng)絡(luò)進行模式識別 例十五：印刷體字母識別 ? 輸入信號：特征向量 網(wǎng)格圖像－－－－－－－特征向
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1