【正文】 1 1 1 1 1 1 1 Percent2 09333 貝葉斯正則化算法 圖 327 基于貝葉斯正則化算法訓練過程 Result 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 Percent1 1 Result 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 Percent2 1 One Step Secant Algorithm 算法 圖 328 基于 One Step Secant Algorithm 算法測試過程 Result 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 Percent1 1 Result 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 Percent2 1 Scaled Conjugate Gradient 算法 圖 329 基于 Scaled Conjugate Gradient 算法測試過程 Result 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 Percent1 1 Result 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 Percent2 1 RPROP 彈性 BP 算法 圖 330 基于 RPROP 彈性 BP 算法測試過程 Result 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 Percent1 1 Result 1 1 1 1 1 1 0 0 0 0 1 1 1 1 1 Percent2 07333 變學習率動量梯度下降算法 圖 331 基于變學習率動量梯度下降算法測試過程 Result 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 Percent1 1 Result 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 Percent2 1 本次實驗分別測試了不同的算法在樣本分類中的應用并在訓練效果上進行了對比可以看出訓練效果的好壞跟算法所占內(nèi)存存在一定的關(guān)系雖然不同的算法都能比較正確的分好類別但是在訓練過程上卻存在不同的差異由此可見 BP 神經(jīng)網(wǎng)絡(luò)的應用是不固定且靈活的在實際應用中應綜合考慮各方面的條件選擇一個最不浪費資源又能達到自己目的的算法 結(jié)論 本文首先總結(jié)了神經(jīng)網(wǎng)絡(luò)的研究目的和意義介紹了神經(jīng)網(wǎng)絡(luò)的研究背景和現(xiàn)狀分析了目前神經(jīng)網(wǎng)絡(luò)研究中存在的問題然后描述了 BP 神經(jīng)網(wǎng)絡(luò)算法的實現(xiàn)以及 BP 神經(jīng)網(wǎng)絡(luò)的工作原理給出了 BP 網(wǎng)絡(luò)的局限性在以 BP 神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的前提下分析研究了 BP 神經(jīng)網(wǎng)絡(luò)在函數(shù)逼近和樣本含量估計兩個 實例中的應用以及分析了結(jié)論即信號的頻率越高則隱層節(jié)點越多隱單元個數(shù)越多逼近能力越強和隱層數(shù)目越多測試得到的樣本的水平越接近于期望值 本文雖然總結(jié)分析了 BP 神經(jīng)網(wǎng)絡(luò)算法的實現(xiàn)給出了實例分析但是還有很多的不足所總結(jié)的 BP 神經(jīng)網(wǎng)絡(luò)和目前研究的現(xiàn)狀都還不夠全面經(jīng)過程序調(diào)試的圖形有可能都還存在很多細節(jié)上的問題而圖形曲線所實現(xiàn)效果都還不夠好以及結(jié)果分析不夠全面正確缺乏科學性等這些都還是需加強提高的本文的完成不代表就對這門學科研究的結(jié)束還有很多知識理論研究成果需要不斷學習 近幾年的不斷發(fā)展神經(jīng)網(wǎng)絡(luò)更是取得了非常廣泛的應用 和令人矚目的發(fā)展在很多方面都發(fā)揮了其獨特的作用特別是在人工智能自動控制計算機科學信息處理機器人模式識別等眾多方面的應用實例給人們帶來了很多應用上到思考和解決方法的研究但是神經(jīng)網(wǎng)絡(luò)的研究最近幾年還沒有達到非常熱門的階段這還需有很多熱愛神經(jīng)網(wǎng)絡(luò)和研究神經(jīng)網(wǎng)絡(luò)人員的不斷研究和創(chuàng)新在科技高度發(fā)達的現(xiàn)在我們有理由期待也有理由相信我想在不久的將來神經(jīng)網(wǎng)絡(luò)會應用到更多更廣的方面人們的生活會更加便捷 參考文獻 [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 199251530 [2] 郝中華《 B P 神經(jīng)網(wǎng)絡(luò)的非線性思想》 洛陽師范學院學報 20203 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 1 [4] 蔣宗禮《人工神經(jīng)網(wǎng)絡(luò)導論》 高等教育出版社 202051590 [5] 聞新周露王丹力熊曉英《 MATLAB 神經(jīng)網(wǎng)絡(luò)應用設(shè)計科學出版社》202051050 [6] 葛哲學孫志強編著 《神經(jīng)網(wǎng)絡(luò)與 matlab2020 實現(xiàn)》 北京電子工業(yè)出版社 2020915 [7] 董長虹 編著 《 Matlab 神經(jīng)網(wǎng)絡(luò)與應用》 北京國防工業(yè)出版 社20209113 [8] 胡守仁等《神經(jīng)網(wǎng)絡(luò)導論》長沙國防科技大學出版社 19932345 [9] 張玲張鈸《人工神經(jīng)網(wǎng)絡(luò)理及應用》 浙江浙江科技大學出版社199752062 [10] Neural Network Tolbox Users The MathWorks Inc20202027 [11] Matlab users Guide The MathWorksInc20202327 [12] Neural Network Toolbox Mathworks2020113 [13] Philip D Wasserman Neural Computing Theory and PracticeVan Nostrand ReinholdHAGAN M TDEMUTH H B Neural work design[M] PWS Publishing CompanyA division of Thomson LearningUnited States of America 19961621629 [15] 樓順天等《基于 Matlab 的系統(tǒng)分析與設(shè)計 神經(jīng)網(wǎng)絡(luò)》 西安西安電子科技大學出版 社 202082340 [16] 周開利康耀紅 編著《神經(jīng)網(wǎng)絡(luò)模型及其 MATLAB 仿真程序設(shè)計》20202043 [17] 魏海坤《神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計的理論與方法》國防工業(yè)出版社202092030 [18] 李學橋《神經(jīng)網(wǎng)絡(luò)工程應用》 重慶重慶大學出版社 199562073 [19] 馮蓉 楊建華《基于 BP 神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近的 MATLAB 實現(xiàn)》 [J] 榆林學院學報 2020 02 [20] 李曉慧《基于 MATLAB 的 BP 神經(jīng)網(wǎng)絡(luò)的應用》 [J] 科技信息 2020 26 [21] 徐遠芳周旸鄭華《基于 MATLAB 的 BP 神經(jīng)網(wǎng)絡(luò)實現(xiàn)研究》 [J] 微型電腦應用 2020 081 I ABSTRACT II 目錄 IV 前言 V 湖南工學院 2020 屆畢業(yè)設(shè)計論文 43 。168。168。 代表未經(jīng)訓練的函數(shù)曲線 ――― 代表經(jīng)過訓練的函數(shù)曲線 2 頻率參數(shù)設(shè)為 k 4 當隱層神經(jīng)元數(shù)目分別取 n 6n 8 時得到了訓練后的網(wǎng)絡(luò)輸出結(jié)果如圖 1415 所示 圖 37 當 n 6 時訓練后網(wǎng)絡(luò)的輸出結(jié)果 圖 38 當 n 8 時訓練后網(wǎng)絡(luò)的輸出結(jié)果 其中 代表要逼近的非線性函數(shù)曲線 168。168。168。 代表未經(jīng)訓練的函數(shù)曲線 因為使用 newff 函數(shù)建立函數(shù)網(wǎng)絡(luò)時權(quán)值和閾值的初始化是隨機的所以網(wǎng)絡(luò)輸出結(jié)構(gòu)很差根本達不到函數(shù)逼近的目的每次運行的結(jié)果也有時不同 步驟 3 網(wǎng)絡(luò)訓練 應用 train 函數(shù)對網(wǎng)絡(luò)進行訓練之前需要預先設(shè)置網(wǎng)絡(luò)訓練參數(shù)將訓練時間設(shè)置為 50 訓 練精度設(shè)置為 001 其余參數(shù)使用缺省值訓練后得到的誤差變化過程如圖 10 所示 圖 33 將未訓練網(wǎng)絡(luò)進行訓練的訓練過程 hs 50 網(wǎng)絡(luò)訓練時間設(shè)置為 50 001 網(wǎng)絡(luò)訓練精度設(shè)置為 001 train pt 開始訓練網(wǎng)絡(luò) TRAINLMcalcjx Epoch 050 MSE 927774001 Gradient 1331221e010 TRAINLMcalcjxEpoch350MSE000127047001Gradient003375551e010 TRAINLM Performance goal met 從以上結(jié)果可以看出網(wǎng)絡(luò)訓練速度很快經(jīng)過一次循環(huán)跌送過程就達到了要求的精度 001 步驟 4 網(wǎng)絡(luò)測試 對于訓練好的網(wǎng)絡(luò)進行仿真 y2 sim p figure plot ptpy1py2 title 訓練后網(wǎng)絡(luò)的輸出結(jié)果 xlabel 時間 ylabel 仿真輸出 繪制網(wǎng)絡(luò)輸出曲線并與原始非線性函數(shù)曲線以及未訓練網(wǎng)絡(luò)的輸出結(jié)果曲線相比較比較出來的結(jié)果如圖 11 所示 圖 34 訓練后網(wǎng)絡(luò)的輸出結(jié)果 其中 代表要逼近的非線性函數(shù)曲線 168。168。畢業(yè)設(shè)計（論文）基于 MATLAB 的 BP 神經(jīng)網(wǎng)絡(luò)的仿真與實現(xiàn) 2020 屆畢業(yè)設(shè)計論文 基于 MatLab 的 BP 神經(jīng)網(wǎng)絡(luò)的仿真與實現(xiàn) 院 部 計算機與信息科學學院 學生姓名 指導教師 職稱 講師 專 業(yè) 計算機科學與技術(shù) 班 級 完成時間 2020 年 5 月 摘 要 本文首先說明課題研究的目的和意義評述課題 的國內(nèi)外研究現(xiàn)狀引出目前存在的問題然后分析了神經(jīng)網(wǎng)絡(luò)算法的基本原理給出經(jīng)典神經(jīng)網(wǎng)絡(luò)算法的具體實現(xiàn)方法總結(jié)神經(jīng)網(wǎng)絡(luò)算法的特點并給出神經(jīng)網(wǎng)絡(luò)算法的基本流程采用Matlab軟件編程實現(xiàn) BP神經(jīng)網(wǎng)絡(luò)算法將神經(jīng)網(wǎng)絡(luò)算法應用于函數(shù)逼近樣本分類和樣本含量估計問題中并分析相關(guān)參數(shù)或算法對運行結(jié)果的影響最后對 BP 神經(jīng)網(wǎng)絡(luò)算法進行了展望 關(guān)鍵字 神經(jīng)網(wǎng)絡(luò) BP 神經(jīng)網(wǎng)絡(luò) 函數(shù)逼近樣本分類 ABSTRACT