神经网络基于BP网络的多层感知器实验报告

《神经网络基于BP网络的多层感知器实验报告》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、神经网络及应用实验报告实验二、基于BP网络的多层感知器一：实验目的：1.理解多层感知器的工作原理2.通过调节算法参数了解参数的变化对于感知器训练的影响3.了解多层感知器局限性二：实验原理：BP的基本思想：信号的正向传播误差的反向传播–信号的正向传播：输入样本从输入层传入，经各隐层逐层处理后，传向输出层。–误差的反向传播：将输入误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号来作为修正各单元权值的依据。1.基本BP算法的多层感知器模型：2.BP学习算法的推导：当网络输出与期望输出不等时，存在输出误差E将上面的误差定义式

2、展开至隐层，有进一步展开至输入层，有调整权值的原则是使误差不断地减小，因此应使权值的调整量与误差的梯度下降成正比，即η∈(0,1)表示比例系数，在训练中反应学习速率BP算法属于δ学习规则类，这类算法被称为误差的梯度下降（GradientDescent）算法。<实验步骤>1.用Matlab编程，实现解决该问题的单样本训练BP网络，设置一个停止迭代的误差Emin和最大迭代次数。在调试过程中，通过不断调整隐层节点数，学习率η，找到收敛速度快且误差小的一组参数。产生均匀分布在区间[-4，4]的测试样本，输入建立的模型得到输出，与Hermit多项式的期望输出进行比较计算总误

3、差（运行5次，取平均值），并记录下每次迭代结束时的迭代次数。（要求误差计算使用RME，Emin设置为0.1）程序如下：functiondyb%单样本程序clc;closeall;clear;x0=[1:101;-4:0.08:4];%样本101个x0(1,:)=-1;x=x0';yuzhi=0.1;%阈值j=input('请输入隐层节点数j=');%隐层节点数n=input('请输入学习效率n=');%学习效率w=rand(1,j);w=[yuzhi,w];%输出层阈值v=rand(2,j);v(1,:)=yuzhi;%隐层阈值err=zeros(1,101);w

4、ucha=0;zhaosheng=0.01*randn(1,101);%噪声erro=[];ERRO=[];%误差，为画收敛曲线准备Emin=0.1;d=zeros(1,101);form=1:101d(m)=hermit(x(m,2));%期望end;o=zeros(1,101);netj=zeros(1,j);net=zeros(1,j);p=1;q=1;azc=0;acs=0;forz=1:5whileq<30000Erme=0;forp=1:101y=zeros(1,j);fori=1:jnetj(1,i)=x(p,:)*v(:,i);y(1,i)=1/(

5、1+exp(-netj(1,i)));end;y=[-1y];o(p)=w*y'+zhaosheng(p);%噪声wucha=d(p)-o(p);err(1,p)=1/2*wucha^2;erro=[erro,wucha];form=1:j+1w(1,m)=w(1,m)+n*wucha*y(1,m);end;form=1:jv(:,m)=v(:,m)+n*wucha*w(1,m)*y(1,m)*(1-y(1,m))*x(p,:)';endq=q+1;end;fort=1:101;Erme=Erme+err(1,t);end;err=zeros(1,101);Erm

6、e=sqrt(Erme/101);ERRO=[ERRO,Erme];ifErme

7、数F=1.1*(1-x+2*x^2)*exp(-x^2/2);end运行结果如下：表格1.单样本BP算法平均最小误差学习率结点数0.050.070.10.120.150.1880.09650.08590.019530.09450.08740.0925100.09680.09440.09830.09200.08210.0982120.08860.08560.08850.09460.08340.0928150.09150.09270.08780.09240.07380.08442.实现解决该问题的批处理训练BP网络，调整参数如上。产生均匀分布在区间[-4，4]的测试样

8、本，输入建