matlab神經(jīng)網(wǎng)絡(luò)工具箱-閱讀頁
2025-06-09 22:54本頁面
【正文】 trainbfg 函數(shù)擬合 收斂較快 較大 計(jì)算量歲網(wǎng)絡(luò)規(guī)模的增大呈幾何增長 traingdx 模式分類 收斂較慢 較小 適用于提前停止 的方法 MATLAB神經(jīng)網(wǎng)絡(luò)工具箱對常規(guī) BP算法進(jìn)行改進(jìn) ,提供了一系列快速算法 ,以滿足不同問題的需要 BP網(wǎng)絡(luò)的訓(xùn)練 利用已知的 ”輸入 — 目標(biāo) ”樣本向量數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練 ,采用 train 函數(shù)來完成 . 訓(xùn)練之前 , 對訓(xùn)練參數(shù)進(jìn)行設(shè)置 訓(xùn)練參數(shù) 參數(shù)含義 默認(rèn)值 訓(xùn)練步數(shù) 100 顯示訓(xùn)練結(jié)果的間隔步數(shù) 25 訓(xùn)練目標(biāo)誤差 0 訓(xùn)練允許時(shí)間 INf 學(xué)習(xí)率 = train(, P, T) BP網(wǎng)絡(luò)的設(shè)計(jì) (1) ?網(wǎng)絡(luò)層數(shù) 已經(jīng)證明 ,單隱層的 BP網(wǎng)絡(luò)可以實(shí)現(xiàn)任意非線性映射 . BP網(wǎng)絡(luò)的隱層數(shù)一般不超過兩層 . ?輸入層的節(jié)點(diǎn)數(shù) 輸入層接收外部的輸入數(shù)據(jù) , 節(jié)點(diǎn)數(shù)取決于輸入向量的維數(shù) ?輸出層的節(jié)點(diǎn)數(shù) 輸出層的節(jié)點(diǎn)數(shù)取決于輸出數(shù)據(jù)類型和該類型所需的數(shù)據(jù)大小 . 對于模式分類問題 ,節(jié)點(diǎn)數(shù)為 2log mBP網(wǎng)絡(luò)的設(shè)計(jì) (2) ?隱層的節(jié)點(diǎn)數(shù) 隱層的節(jié)點(diǎn)數(shù)與求解問題的要求 ,輸入輸出單元數(shù)多少有關(guān) . 對于模式識(shí)別 /分類的節(jié)點(diǎn)數(shù)可按下列公式設(shè)計(jì) ?傳遞函數(shù) 隱層傳遞函數(shù)采用 S型函數(shù) , 輸出層采用 S型函數(shù)或線性函數(shù) ?訓(xùn)練方法及其參數(shù)選擇 針對不同應(yīng)用 , BP網(wǎng)絡(luò)提供了多種訓(xùn)練學(xué)習(xí)方法 . 0in n n a? ? ?n其中 為隱層節(jié)點(diǎn)數(shù) , in 為輸入節(jié)點(diǎn)數(shù) , a 為 1~10之間的整數(shù) BP網(wǎng)絡(luò)設(shè)計(jì)實(shí)例 采用動(dòng)量梯度下降算法訓(xùn)練 BP網(wǎng)絡(luò) . 訓(xùn)練樣本 %定義訓(xùn)練樣本 p=[1 1 3 1。 t=[1 1 1 1]。tansig39。purelin39。traingdm39。 %設(shè)置訓(xùn)練參數(shù) =1000。 =50。 =。 % 訓(xùn)練網(wǎng)絡(luò) A=sim(,p) %網(wǎng)絡(luò)仿真 目標(biāo)線 訓(xùn)練誤差變化曲線 訓(xùn)練誤差變化曲線（每次不同） 實(shí)驗(yàn) 2: BP網(wǎng)絡(luò)用于曲線擬合 ? 要求設(shè)計(jì)一個(gè)簡單的 BP網(wǎng)絡(luò)，實(shí)現(xiàn)對非線性函數(shù)的逼近。 Step1: 將要逼近的非線性函數(shù)設(shè)為正弦函數(shù) k = 1。 t = sin(k*pi*p)。39。要逼近的非線性函數(shù) 39。 xlabel(39。)。非線性函數(shù) 39。 ? Step 2: 網(wǎng)絡(luò)建立 應(yīng)用函數(shù) newff()建立 BP網(wǎng)絡(luò)結(jié)構(gòu)，為二層 BP網(wǎng)絡(luò)。選擇隱層和輸出層神經(jīng)元傳遞函數(shù)分別為 tansig函數(shù)和purelin函數(shù)，網(wǎng)絡(luò)訓(xùn)練算法采用 trainlm n = 10。tansig39。purelin39。trainlm39。 % 對于該初始網(wǎng)絡(luò)，可以應(yīng)用 sim()函數(shù)觀察網(wǎng)絡(luò)輸出 y1 = sim(,p)。 plot(p,t,39。,p,y1,39。) title(39。)。時(shí)間 39。 ylabel(39。)。 ? Step 3: 網(wǎng)絡(luò)訓(xùn)練 ? 應(yīng)用函數(shù) train()對網(wǎng)絡(luò)進(jìn)行訓(xùn)練之前，要先設(shè)置訓(xùn)練參數(shù)。 ? 訓(xùn)練后得到的誤差變化過程如圖： = 50。 = train(,p,t)。 figure。39。39。.39。訓(xùn)練后網(wǎng)絡(luò)的輸出結(jié)果 39。 xlabel(39。)。仿真輸出 39。 從圖中可以看出，得到的曲線和原始的非線性函數(shù)曲線很接近。 討 論 ? 改變非線性函數(shù)的頻率 k值，和 BP網(wǎng)絡(luò)隱層神經(jīng)元的數(shù)目，對于函數(shù)逼近的效果有一定的影響。 ? 關(guān)于這些，大家可以自己通過參數(shù)調(diào)整試一試，并在實(shí)驗(yàn)報(bào)告中有所
范文總結(jié)相關(guān)推薦
鄂ICP備17016276號(hào)-1