veraaa10-11-12-13-0930-1012-1014-1019第五章線性判別函數(shù)(人工神經(jīng)元網(wǎng)絡模型)(參考版)
2025-08-07 10:01本頁面
【正文】 小結 ?BP算法背景 ?BP神經(jīng)網(wǎng)絡模型 ?BP算法 ?基本思想 ?推導過程 ?實現(xiàn) ?BP神經(jīng)網(wǎng)絡的 MATLAB函數(shù) ?BP神經(jīng)網(wǎng)絡的應用實例 ?BP神經(jīng)網(wǎng)絡與感知器神經(jīng)網(wǎng)絡的對比 謝謝！ 。當出現(xiàn)局部極小時，從表面上看，誤差符合要求，但這時所得到的解并不一定是問題的真正解。所以，它是目前用來訓練前向多層網(wǎng)絡較好的算法。 ?（ 3）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)絡的輸入輸出規(guī)律影響很小。 ?（ 2）泛化能力 ?當向網(wǎng)絡輸入訓練時未曾見過的非樣本數(shù)據(jù)時，網(wǎng)絡也能完成由輸入空間向輸出空間的正確映射。 3 BP神經(jīng)網(wǎng)絡學習算法的 MATLAB實現(xiàn) ?BP網(wǎng)絡應用于藥品預測對比圖 ?由對比圖可以看出預測效果與實際存在一定誤差，此誤差可以通過增加運行步數(shù)和提高預設誤差精度也進一步縮小 4 BP神經(jīng)網(wǎng)絡的特點 ?（ 1）非線性映射能力 ?能學習和存貯大量輸入 輸出模式映射關系，而無需事先了解描述這種映射關系的數(shù)學方程。 ?%設置學習速率為 ?=。 ?=15000。traingd39。logsig39。tansig39。0 1。 ?%以第四個月的銷售量歸一化處理后作為目標向量 ?T=[ ]。 。 。 。 3 BP神經(jīng)網(wǎng)絡學習算法的 MATLAB實現(xiàn) ?（ 4）例 23，下表為某藥品的銷售情況，現(xiàn)構建一個如下的三層 BP神經(jīng)網(wǎng)絡對藥品的銷售進行預測：輸入層有三個結點，隱含層結點數(shù)為 5，隱含層的激活函數(shù)為 tansig；輸出層結點數(shù)為 1個，輸出層的激活函數(shù)為 logsig，并利用此網(wǎng)絡對藥品的銷售量進行預測，預測方法采用滾動預測方式，即用前三個月的銷售量來預測第四個月的銷售量，如用 3月的銷售量為輸入預測第 4個月的銷售量，用 4月的銷售量為輸入預測第 5個月的銷售量 .如此反復直至滿足預測精度要求為止。 ?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)。 3 BP神經(jīng)網(wǎng)絡學習算法的 MATLAB實現(xiàn) ?（ 3） MATLAB中 BP神經(jīng)網(wǎng)絡的重要函數(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)。 (6)PFPerformance function, default = 39。 (5)BLFBackpropagation weight/bias learning function, default = 39。 (4)BTFBackpropagation work training function, default = 39。 ?newff() newff: Create a feedforward backpropagation work ?Syntax =newff =newff( PR,[S1 S2..SNl],{TF1 TF2..TFNl},BTF,BLF,PF) ?Description = newff creates a new work with a dialog box. newff(PR,[S1 S2...SNl],{TF1 TF2...TFNl}, BTF,BLF,PF) takes (1)PRR x 2 matrix of min and
規(guī)章制度相關推薦
鄂ICP備17016276號-1