基于matlab神經網絡算法研究及仿真-閱讀頁
2025-07-04 12:34本頁面
【正文】 2..SN1],{TF1 TF2..TFN1},BTF,BLF,PF)其中，net=newff。net為創(chuàng)建的新BP神經網絡；PR為網絡輸入向量取值范圍的矩陣；[S1 S2…SNl]表示網絡隱含層和輸出層神經元的個數(shù)；{TFl TF2…TFN1}表示網絡隱含層和輸出層的傳輸函數(shù)，默認為‘tansig’；BTF表示網絡的訓練函數(shù)，默認為‘trainlm’；BLF表示網絡的權值學習函數(shù)，默認為‘learngdm’；PF表示性能數(shù)，默認為‘mse’。 神經元上的傳遞函數(shù) 傳遞函數(shù)是BP網絡的重要組成部分。BP網絡經常采用S型的對數(shù)或正切函數(shù)和線性函數(shù)。調用格式為：A=logsig（N）info=logsig（code）其中， N：Q個S維的輸入列向量；A：函數(shù)返回值，位于區(qū)間（0，1）中；2）tansig該函數(shù)為雙曲正切S型傳遞函數(shù)。3）purelin該函數(shù)為線性傳遞函數(shù)。 BP網絡學習函數(shù)1）learngd該函數(shù)為梯度下降權值閾值學習函數(shù)，它通過神經元的輸入和誤差，以及權值和閾值的學習效率，來計算權值或閾值的變化率。 BP網絡訓練函數(shù)1）train神經網絡訓練函數(shù)，調用其他訓練函數(shù)，對網絡進行訓練。traingdm函數(shù)為梯度下降動量BP算法函數(shù)。BP 。網絡的學習過程由正向和反向傳播兩部分組成。每一層神經元的狀態(tài)只影響到下一層神經元網絡，如輸出層不能得到期望的輸出，那么轉入誤差反向傳播過程，將誤差信號沿原來的連接通路返回，通過修改各層神經元的權值，逐次地向輸入層傳播去進行計算，在經正向傳播過程，這兩個過程反復運用，使得誤差信號最小或達到人們所期望的要求時，學習過程結束。設計一個簡單的BP 網絡，實現(xiàn)對非線性函數(shù)的逼近，通過改變BP 網絡的隱層神經元的數(shù)目，采用不同的訓練方法來觀察訓練時間和訓練誤差的變化情況。N=1。t=sin (N*pi*p) 。r*39。要逼近的非線性函數(shù)39。時間39。應用newff () 建立兩層的BP 網絡，隱層神經元數(shù)目可以改變,此時S=8 ，輸出層一個神經元，隱層和輸出層的傳遞函數(shù)分別為tansig 和purelin ，學習算法采用Levenberg Marquadt ( trainlm) 。S=8。tansig39。purelin39。trainlm39。y1=sim (net,p) 。plot (p,t, 39。,p,y1,39。)title (39。)xlabel (39。) 。仿真輸出 原函數(shù)*39。legend (39。,39。) 將訓練時間設為10，用train ()進行訓練， 所示。=。y2 = sim (net1,p)figure。r* 39。b 39。ko39。訓練后網絡的輸出結果39。時間39。ylabel (39。)legend (39。,39。,39。) 可以看出經過很短時間的訓練后BP 網絡很好的逼近了非線性函數(shù)。參考文獻[1] 周開利，康耀紅. 神經網絡模型及其MATLAB仿真程序設計[M]. 北京：清華大學出版社，2005:9095.[2] 閔惜琳，劉國華. 用MATLAB神經網絡工具箱開發(fā)BP網絡應用[J]. 計算機應用，2001,21（8）：163164.[3] 劉建斌. 人工神經網絡在電磁建模中的應用[D]. 上海交通大學，2003:1011.[4] 張德豐. MATLAB神經網絡應用設計[M]. 機械工業(yè)出版社，2009:712.16
環(huán)評公示相關推薦
鄂ICP備17016276號-1