【正文】 33 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》 . 洛陽師范學(xué)院學(xué)報 (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) 》 .新疆石油學(xué)院學(xué)報 .(1) [4] 韓敏 .《人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)》 . 大連理工大學(xué)出版社， [5] 叢爽 《面向 MATLAB工具箱的神經(jīng)網(wǎng)絡(luò)理 論與應(yīng)用》 .中國科學(xué)技術(shù)大學(xué)出版社 [6] 葛哲學(xué)、孫志強(qiáng)編著 .《神經(jīng)網(wǎng)絡(luò)與 matlab2020實現(xiàn)》 . 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,2020:1627 [11]Matlab user’ s Guide. The ,2020:2327 [12]Neural Network Toolbox. Mathworks,2020:113 [13]劉冰，等 .《 Matlab神經(jīng)網(wǎng)絡(luò)超級學(xué)習(xí)手冊》 . 人民郵電出版社， 34 。 隨著科技的進(jìn)步發(fā)展，神經(jīng)網(wǎng)絡(luò)已經(jīng)成為人工智能方向一個備受青睞的前沿課題，其用途日益廣泛，在幾乎所有的工程應(yīng)用領(lǐng)域，都能見到它的身影。雖然有實例證明在函數(shù)逼近以及數(shù)據(jù)擬合方面神經(jīng)網(wǎng)絡(luò)的巨大應(yīng)用，但是依然存在不少缺陷。 32 5 結(jié)束語 本文首先總結(jié)了神經(jīng)網(wǎng)絡(luò)的發(fā)展背景和研究內(nèi)容，分析了當(dāng)下研究中存在的不足以及局限性，然后進(jìn)一步描述了對神經(jīng)系統(tǒng)結(jié) 構(gòu)以和 BP 神經(jīng)網(wǎng)絡(luò)的工作機(jī)制及其相關(guān)功能。隱層神經(jīng)元的數(shù)量越多，預(yù)示著在 BP網(wǎng)絡(luò)能夠更加逼近非線性函數(shù)。所以得到， n值的多少對網(wǎng)絡(luò)的函數(shù)逼近效果的影響是非常巨大的。 圖 n=6 時訓(xùn)練后網(wǎng)絡(luò)的效果 圖 n=8 時訓(xùn)練后網(wǎng)絡(luò)的效果 （ 2）假定頻率參數(shù) k為 6，那么隱層神經(jīng)元數(shù)目分別取 n= n=12 時，得到的訓(xùn)練后的網(wǎng)絡(luò)輸出結(jié)果如圖 ， 。 不同頻率下的逼近效果 將頻率參數(shù)和非線性函數(shù)進(jìn)行更換然后和隱層神經(jīng)元數(shù)目進(jìn)行比 較。 圖 訓(xùn)練后網(wǎng)絡(luò)的輸出結(jié)果 23 由此可以看出，非線性函數(shù)曲線圖目標(biāo)和訓(xùn)練后的曲線圖的幾乎一模一樣。 22 圖 訓(xùn)練過程 (訓(xùn)練誤差、驗證誤差、測試誤差曲線 ) 由以上結(jié) 論可知，網(wǎng)絡(luò)訓(xùn)練速度特別迅速，只需一次循環(huán)跌送過程就能達(dá)到要求的精度 。 步驟 3：網(wǎng)絡(luò)訓(xùn)練 在使用 train（）函數(shù)進(jìn)行實驗以前，首先設(shè)置網(wǎng)絡(luò)訓(xùn)練的初始數(shù)據(jù)，第一步確定訓(xùn)練時間為 50，第二步選擇 的訓(xùn)練精度，其余的訓(xùn)練參數(shù)不做改變選擇默認(rèn)值。 與此同時畫一個網(wǎng)絡(luò)輸出曲線圖，并和原來的函數(shù)相對比，得到如圖 所示 的結(jié)果。隱層神經(jīng)元數(shù)量 n 能改變，先將其假定為n=3，那么輸出層將有一個神經(jīng)元。得到如圖 所示的函數(shù)曲線。圖 BP 神經(jīng)網(wǎng)絡(luò)的計算過程的流程圖。若輸出的結(jié)果與期望值存在較大的誤差，則是要進(jìn)行反向的誤差運(yùn)算。 BP 網(wǎng)絡(luò)由的構(gòu)成是兩種：正向和反向計算結(jié)合。 要求制作一個反向傳播網(wǎng)絡(luò)，逼近 ? ? ? ?y x 1 s in k * p i / 4 * x?? ，然后得到一個逼近 BP 網(wǎng)絡(luò)的非線性函數(shù)。 圖 6 運(yùn)行按鈕 （ 2） 運(yùn)行后的效果圖，如圖 7。 圖 5 添加及修改各控件后的圖 （ 5） 點擊右鍵每一個控件，選取 view callbacks 目錄下的 callback，輸入各部分功能實現(xiàn)代碼。 17 圖 4 添加各控件后圖 （ 4） 同理，將軟件需要的其他控件一次添加，并修改好各控件的屬性。 1 panel圖 、 控 件 16 （ 2） 更改控件 title 的屬性變成“ 1”、再建立一個非線性函數(shù)，然后再把fontsize 的屬性更改成“ 8”，如圖 2， 3。 15 圖 GUI 設(shè)計窗口 GUI 控制系統(tǒng)界面 GUI 控制系統(tǒng)界面設(shè)計 （ 1）運(yùn)行程序 MATLAB，先在程序中輸入字符“ guide”，彈出一個窗口，選擇while gui，在單擊 ok，會進(jìn)入 MATLAB GUI。 （ 4） M o d a l Q u e s t i o n D i a l g I(oG )U帶 模 式 問 題 對 話 框 的 模 板 。 （ 2） G U I w i t h U i c o n t ro )s (l G U I帶 控 件 對 象 的 模 板 。 12 GUI 設(shè)計工具的菜單方式 在 Matlab 的主界面中，選擇 File 菜單中的 New 菜單選項，再選擇其中的 GUI命令（如圖），就會顯示 GUI 的設(shè)計模板。 BP網(wǎng)絡(luò)主要用于下述方面 [13]： （ 1）函數(shù)逼近：通過大 量歷史數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)與目標(biāo)函數(shù)近似； （ 2）模式識別和分類：利用已知輸入和待定輸出找出之間關(guān)系；把數(shù)據(jù)信息按定義的適當(dāng)方式進(jìn)行分類； （ 3）數(shù)據(jù)壓縮：減少數(shù)據(jù)矢量維數(shù)以提高傳存效率。 o 1 ? o k ? o l W 1○ W k○ W l ○ y 1○ y 2○ ? ○ y j ? ○ y m V 1 V m ○ ○ ○ ○ ○ x 1 x 2 ? x i ? x n 1 x n 圖 BP 算法前 饋網(wǎng)絡(luò)模型 11 其中 Tnni xxxxxX ),...,...,( 121 ?? 是輸入向量； Tmj yyyyY ),...,...,( 21? 是隱層輸出向量； Tlk oooO ),...,...( 1? 是輸出層輸出向量； ),...,...,( 21 mj VVVVV ? 是輸入 隱層的權(quán)值矩陣； ),...,...,( 21 lk WWWWW ? 是隱層 輸出的權(quán)值矩陣； 本文所采用的 BP 神經(jīng)網(wǎng)絡(luò)算法，基本結(jié)構(gòu)和前文所述的前向結(jié)構(gòu)相同，都包含有輸入層，中間層和輸出層，輸入信號和輸入信息經(jīng)過數(shù)據(jù)的預(yù)處理層進(jìn)入人工神經(jīng)網(wǎng)絡(luò)，經(jīng)過 中間層的激勵函數(shù)的處理，由輸出層輸出最終結(jié)果。每一層都是通過神經(jīng)元相互連接，位于相同一層的神經(jīng)元沒有聯(lián)系，網(wǎng)絡(luò)的傳遞按照導(dǎo)師方法來實行。 10 圖 有相互結(jié)合的前向網(wǎng)絡(luò)結(jié)構(gòu) BP 網(wǎng)絡(luò)模型及其算法原理 BP 神經(jīng)網(wǎng)絡(luò)定義 BP 神經(jīng)網(wǎng)絡(luò) (又叫做反向傳播網(wǎng)絡(luò) )是一種根據(jù)誤差反向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)。 圖 有反饋的前向網(wǎng)絡(luò)結(jié)構(gòu) 3) 層內(nèi)互連的前向網(wǎng)絡(luò)結(jié)構(gòu) 每層神經(jīng)元內(nèi)部相互連接 結(jié)合的前向網(wǎng)絡(luò)。 神經(jīng)網(wǎng)絡(luò)模 型可分為以下幾種： 9 1）前向網(wǎng)絡(luò) 最開始使用的神經(jīng)網(wǎng)絡(luò)連接結(jié)構(gòu)，神經(jīng)元根據(jù)輸入層，中介層和輸出層依次排列，形成 了網(wǎng)絡(luò)化的結(jié)構(gòu)，輸入信息又通過輸入層進(jìn)入人工神經(jīng)網(wǎng)絡(luò)，經(jīng)過中間層，從輸出層得到最終輸出 。 圖 人工神經(jīng)元結(jié)構(gòu)模型 如果神經(jīng)元 j的變量有多個 xi（ i=1,2，?， m）變量輸入和一個 yj變量輸出時，這幾個變量的關(guān)系表達(dá)式為： ???????? ?? )(1jjjmi iijj sfyxws ? 圖 輸入 輸出關(guān)系式 其中常量θ j是變量 j的臨界值， Wij是變量 i到 j的連接系數(shù)， f（）為神經(jīng)元的活化函數(shù)。 人工神經(jīng)元 神經(jīng)網(wǎng)絡(luò)的信息是由一個個單獨的類似生物的神經(jīng)元作為基本單位進(jìn)行處理的，每一個神經(jīng)網(wǎng)絡(luò)的神經(jīng)元都是一個信息匯集處理和中轉(zhuǎn)單位。 （ 4）適應(yīng)與集成 神經(jīng)網(wǎng)絡(luò)具有大量的處理不確定性信息的能力，這也就保障了輸入數(shù)據(jù)在不完整或者是