神經(jīng)網(wǎng)絡(luò)算法ppt課件-在線瀏覽
2025-02-22 15:50本頁面
【正文】 Columns 1 through 11 1 1 1 1 1 1 1 1 1 0 0 Columns 12 through 15 0 0 0 0 a = 1 1 1 準(zhǔn)確率達(dá)到 100%。 BP網(wǎng)絡(luò)主要用于： ◆ 函數(shù)逼近 ◆ 模式識(shí)別 ◆ 分類 ◆ 數(shù)據(jù)壓縮 學(xué)習(xí)過程由信號(hào)的 正向傳播 與 反向傳播兩個(gè)過程組成。若輸出層的實(shí)際輸出與期望輸出（教師信號(hào)）不符合時(shí)，則轉(zhuǎn)入誤差的反向傳播階段。 BP算法的基本思想： x1 x2 xi xn1 xn … … y1 y2 yj ym … … W1 Wk Wl o1 ok ol … … 輸入層 隱層 輸出層 隱層到輸出層之間的權(quán)值矩陣： W = [ W1, W2, …,W l ] 網(wǎng)絡(luò)結(jié)構(gòu) 各層信號(hào)之間的數(shù)學(xué)關(guān)系 輸出層 ok = f (k) , k = ∑j=0:mwjkyj , k = 1,2,…,l, 對(duì)隱層 yk = f (j) , j = ∑i=0:nvijxi , j = 1,2,…,m, 傳遞函數(shù)一般用： f (x) = 1/ (1+exp(x)) (s型函數(shù)） 誤差函數(shù)： Eh = *(∑j=0:l(thjohj)2) , thj, ohj分別為期望輸出和網(wǎng)絡(luò)的實(shí)際輸出。 BLF—— BP權(quán)值 /偏差學(xué)習(xí)函數(shù)，默認(rèn) ’ learngdm’ PF —— 性能函數(shù)，默認(rèn) ‘ mse’；（誤差） MATLAB中有關(guān) BP網(wǎng)絡(luò)的重要函數(shù) 例如： =newff([0 20。0 12。0 13],[5 1], {39。 39。},39。)。 traingda —— 梯度下降自適應(yīng) lr的 BP算法訓(xùn)練； traingdm —— 梯度下降動(dòng)量的 BP算法訓(xùn)練； traingdx —— 梯度下降動(dòng)量和自適應(yīng) lr的 BP算法訓(xùn)練 ； 如果對(duì)神經(jīng)網(wǎng)絡(luò)的輸入、輸出數(shù)據(jù)進(jìn)行一定的預(yù)處理，可以加快網(wǎng)絡(luò)的訓(xùn)練速度。 2） 標(biāo)準(zhǔn)化 將每組數(shù)據(jù)變換為均值為 0，方差為 1的數(shù)，所涉及的函數(shù)有： prestd,posttd,trastd 3) 正交化 主成分分析也可以將數(shù)據(jù)進(jìn)行正交處理，減少輸入數(shù)據(jù)的處理，函數(shù)有： prepca,trapca. 注意：數(shù)據(jù)預(yù)處理 輸入向量 P = [0 1 2 3 4 5 6 7 8 9 10]。 例： 創(chuàng)建兩層的 BP網(wǎng)絡(luò)： = newff ( [0 10], [5 1], {39。, 39。} )。 plot(P,T,P,Y,39。) 或 = 50。 Y = sim(,P)。o39。 % 期望輸出 第一種情況的輸出結(jié)果： 0 2 4 6 8 1032101234誤差很大！ 未訓(xùn)練，非線性映射能力差。 % 期望輸出 第二種情況的輸出結(jié)果： 0 2 4 6 8 10 0 . 500 . 511 . 522 . 533 . 54思考： 究竟誤差有多大？ 修改程序： P = [0 1 2 3 4 5 6 7 8 9 10]。 = newff([0 10],[5 1],{39。 39。})。 %每次循環(huán) 50次 = 500。 %期望目標(biāo)誤差最小值 = train(,P,T)。o39。要求我們從中提取已經(jīng)分類了的 DNA序列片段的特征和構(gòu)造分類方法，并且還要衡量所用分類方法的好壞，從而構(gòu)造或選擇一種較好的分類方法。例如 A類： a1=39。 b1=39。 …… 二 、 特征提取 序列中
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1