[研究生入學(xué)考試]bp學(xué)習(xí)算法(參考版)
2024-10-22 01:14本頁面
【正文】 建立網(wǎng)絡(luò)后 ? epochs：訓(xùn)練的最大循環(huán)次數(shù) ? goal：性能目標(biāo) ? max_fail：最大驗(yàn)證數(shù)據(jù)失敗的次數(shù) ? mem_reduc：降低內(nèi)存需求的系數(shù) ? min_grad：最小性能梯度 ? mu：動量的初始值 ? mu_dec：動量減少系數(shù) ? mu_inc：動量增加系數(shù) ? mu_max：動量最大值 ? show：每格多少訓(xùn)練循環(huán)次數(shù)會顯示訓(xùn)練過程 ? time：最大的訓(xùn)練所須時間，單位為秒 謝謝大家！ 。 ? Number of neurons：隱藏層 1中神經(jīng)元的數(shù)目，如 15。 ? Number of layers：隱藏層的層數(shù)，如 2。 ? Training function：訓(xùn)練函數(shù)，如 TRAINLM(LM算法 )。 ? Network Type：網(wǎng)絡(luò)類型，如 Feedforward backprop。 Matlab中 nntool的基本應(yīng)用 ?在 MATLAB命令窗口中鍵入 nntool再按 enter，會自動彈出下面的 Network/Data Manager窗口畫面。 logsig() ?功能 對數(shù) Sigmoid激活函數(shù) ?格式 a = logsig(N) ?說明對數(shù) Sigmoid函數(shù)把神經(jīng)元的輸入范圍從 (∞， +∞)映射到 (0， 1)。 ? MATLAB中 BP神經(jīng)網(wǎng)絡(luò)的重要函數(shù)和基本功能 tansig() ?功能 正切 sigmoid激活函數(shù) ?格式 a = tansig(n) ?說明 雙曲正切 Sigmoid函數(shù)把神經(jīng)元的輸入范圍從 (∞， +∞)映射到 (1， 1)。 ?容錯能力 輸入樣本中帶有較大的誤差甚至個別錯誤對網(wǎng)絡(luò)的輸入輸出規(guī)律影響很小。 ?泛化能力 當(dāng)向網(wǎng)絡(luò)輸入訓(xùn)練時未曾見過的非樣本數(shù)據(jù)時，網(wǎng)絡(luò)也能完成由輸入空間向輸出空間的正確映射。 BP神經(jīng)網(wǎng)絡(luò)的特點(diǎn) ?非線性映射能力 能學(xué)習(xí)和存貯大量輸入 輸出模式映射關(guān)系，而無需事先了解描述這種映射關(guān)系的數(shù)學(xué)方程。 （ 2）歸一化互不相關(guān)的輸入信號，使得他們的方差基本相同，從而是不同權(quán)值的學(xué)習(xí)速度基本相同。 ??)(nE?八、輸入信號歸一化 ? 使所有樣本的輸入信號其均值接近零或與其標(biāo)準(zhǔn)方差相比比較
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1