bp神經(jīng)網(wǎng)絡(luò)模型ppt課件(參考版)
2025-01-08 03:16本頁(yè)面
【正文】 ?容錯(cuò)能力 ?輸入樣本中帶有較大的誤差甚至個(gè)別錯(cuò)誤對(duì)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(shí)未曾見(jiàn)過(guò)的非樣本數(shù)據(jù)時(shí)，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)學(xué)習(xí)算法的 MATLAB實(shí)現(xiàn) ?BP網(wǎng)絡(luò)應(yīng)用于藥品預(yù)測(cè)對(duì)比圖 ?由對(duì)比圖可以看出預(yù)測(cè)效果與實(shí)際存在一定誤差，此誤差可以通過(guò)增加運(yùn)行步數(shù)和提高預(yù)設(shè)誤差精度業(yè)進(jìn)一步縮小 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(wú)需事先了解描述這種映射關(guān)系的數(shù)學(xué)方程。 ?%設(shè)置學(xué)習(xí)速率為 ?=。 ?=15000。traingd39。logsig39。tansig39。0 1。 ?%以第四個(gè)月的銷售量歸一化處理后作為目標(biāo)向量 ?T=[ ]。 。 。 。 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的 MATLAB實(shí)現(xiàn) ?例 23，下表為某藥品的銷售情況，現(xiàn)構(gòu)建一個(gè)如下的三層 BP神經(jīng)網(wǎng)絡(luò)對(duì)藥品的銷售進(jìn)行預(yù)測(cè)：輸入層有三個(gè)結(jié)點(diǎn)，隱含層結(jié)點(diǎn)數(shù)為 5，隱含層的激活函數(shù)為 tansig；輸出層結(jié)點(diǎn)數(shù)為 1個(gè)，輸出層的激活函數(shù)為 logsig，并利用此網(wǎng)絡(luò)對(duì)藥品的銷售量進(jìn)行預(yù)測(cè)，預(yù)測(cè)方法采用滾動(dòng)預(yù)測(cè)方式，即用前三個(gè)月的銷售量來(lái)預(yù)測(cè)第四個(gè)月的銷售量，如用 3月的銷售量為輸入預(yù)測(cè)第 4個(gè)月的銷售量，用 4月的銷售量為輸入預(yù)測(cè)第 5個(gè)月的銷售量 .如此反復(fù)直至滿足預(yù)測(cè)精度要求為止。 ?logsig() 功能 對(duì)數(shù) Sigmoid激活函數(shù) 格式 a = logsig(N) 說(shuō)明對(duì)數(shù) Sigmoid函數(shù)把神經(jīng)元的輸入范圍從 (∞ ， +∞) 映射到 (0， 1)。 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的 MATLAB實(shí)現(xiàn) ?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(shuō)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)。 who hoew??e 0，此時(shí) Δwho0 BP網(wǎng)絡(luò)的標(biāo)準(zhǔn)學(xué)習(xí)算法 ?BP算法直解釋 ?情況二直觀表達(dá) 當(dāng)誤差對(duì)權(quán)值的偏導(dǎo)數(shù) 小于零時(shí)，權(quán)值調(diào)整量 為正，實(shí)際輸出少于期 望輸出，權(quán)值向增大方向 調(diào)整，使得實(shí)際輸出與期 望輸出的差減少。否則，選取下一個(gè)學(xué)習(xí)樣本及對(duì)應(yīng)的期望輸出，返回到第三步，進(jìn)入下一輪學(xué)習(xí)。 ()h k?1()( ) ( ) ( )()( ) ( )hi h h ii h h i hNNi h i h h ie e hi kw k k x kw hi
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1