神經(jīng)網(wǎng)絡(luò)之bp神網(wǎng)絡(luò)(參考版)
2024-08-01 23:39本頁面
【正文】 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(jìn)行系統(tǒng)辨識 ? 討論 – 對三路輸出分別進(jìn)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(jìn)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－－－－－－－特征向量（ 35個元素） 0 0 1 0 0 0 1 0 1 0 0 1 0 1 0 1 0 0 0 1 1 1 1 1 1 1 0 0 0 1 1 0 0 0 1 40 應(yīng)用 BP網(wǎng)絡(luò)進(jìn)行模式識別 ? 輸出信號：識別向量 – 維數(shù)： 26（只考慮大寫） – 表示方法：相應(yīng)位為“ 1” ，其余為“ 0” ? 網(wǎng)絡(luò)結(jié)構(gòu)： 35維輸入， 26維輸出 – 隱藏層神經(jīng)元個數(shù)隨意（ 10） – 為了使輸出在 0－ 1之間，輸出層也采用 S函數(shù) 41 應(yīng)用 BP網(wǎng)絡(luò)進(jìn)行模式識別 ? 無噪聲訓(xùn)練 – 用理想輸入信號進(jìn)行訓(xùn)練 – 對于有噪聲信號的效果不好 ? 有噪聲訓(xùn)練 – 用有噪聲的信號進(jìn)行訓(xùn)練 – 對于理想信號的識別也采用有噪聲方法，浪費 ? 綜合訓(xùn)練 – 無噪聲－有噪聲－無噪聲 42 應(yīng)用 BP網(wǎng)絡(luò)進(jìn)行模式識別 ? 網(wǎng)絡(luò)效果評價 – 分別評價添加噪聲信號訓(xùn)練前后 – 分別針對不同噪聲水平評價 – 對比識別的誤差率 ? 討論（課后實驗） – 修改訓(xùn)練方法 – 修改隱藏層神經(jīng)元個數(shù) – 修改表現(xiàn)函數(shù) – 修改特征向量提取方法 43 小結(jié) ? 什么是 BP網(wǎng)絡(luò) – 能解決非線性問題 – 神經(jīng)元 – 網(wǎng)絡(luò)結(jié)構(gòu) ? 學(xué)習(xí)算法 ? 改進(jìn)算法：幾種常用的改進(jìn) BP學(xué)習(xí)算法（特別是 LM） ? 應(yīng)用： – 函數(shù)擬合 – 系統(tǒng)辨識 – 模式識別 ? BP網(wǎng)絡(luò)的作業(yè) 。 t=[0 1 1 0]。 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。 輸出 1 線性元 ? 訓(xùn)練算法 : BP算法 , LevenbergMarquardt算法 ? 3) 要求： – a) 比較一般 BP算法（ trainbp） ,自適應(yīng)變步長 BP算法 (trainbpa), LevenbergMarquardt(trainlm)算法的收斂時間和精度，給出每一次迭代后的性能指標(biāo)； – b) 測試以上模型的精度。 ? Y2 = sin(X2) + *randn(1,length
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1