最新BP神经网络实验报告.doc

最新BP神经网络实验报告.doc

ID:62981297

大小:294.50 KB

页数:8页

时间:2021-07-23

最新BP神经网络实验报告.doc_第1页
最新BP神经网络实验报告.doc_第2页
最新BP神经网络实验报告.doc_第3页
最新BP神经网络实验报告.doc_第4页
最新BP神经网络实验报告.doc_第5页
资源描述:

《最新BP神经网络实验报告.doc》由会员上传分享,免费在线阅读,更多相关内容在教育资源-天天文库

1、精品资料BP神经网络实验报告........................................精品资料BP神经网络实验报告一、实验目的1、熟悉MATLAB中神经网络工具箱的使用方法;2、通过在MATLAB下面编程实现BP网络逼近标准正弦函数,来加深对BP网络的了解和认识,理解信号的正向传播和误差的反向传递过程。二、实验原理由于传统的感知器和线性神经网络有自身无法克服的缺陷,它们都不能解决线性不可分问题,因此在实际应用过程中受到了限制。而BP网络却拥有良好的繁泛化能力、容错能力以及非

2、线性映射能力。因此成为应用最为广泛的一种神经网络。BP算法的基本思想是把学习过程分为两个阶段:第一阶段是信号的正向传播过程;输入信息通过输入层、隐层逐层处理并计算每个单元的实际输出值;第二阶段是误差的反向传递过程;若在输入层未能得到期望的输出值,则逐层递归的计算实际输出和期望输出的差值(即误差),以便根据此差值调节权值。这种过程不断迭代,最后使得信号误差达到允许或规定的范围之内。基于BP算法的多层前馈型网络模型的拓扑结构如上图所示。................................

3、........精品资料BP算法的数学描述:三层BP前馈网络的数学模型如上图所示。三层前馈网中,输入向量为:;隐层输入向量为:;输出层输出向量为:;期望输出向量为:。输入层到隐层之间的权值矩阵用V表示,,其中列向量为隐层第j个神经元对应的权向量;隐层到输出层之间的权值矩阵用W表示,,其中列向量为输出层第k个神经元对应的权向量。下面分析各层信号之间的数学关系。对于输出层,有对于隐层,有以上两式中,转移函数f(x)均为单极性Sigmoid函数:f(x)具有连续、可导的特点,且有以上共同构成了三层前馈

4、网了的数学模型。当网络输出和期望输出不相等时,存在输出误差E如下:........................................精品资料将以上误差定义式展开至隐层,有进一步展开至输入层,有由上式可以看出,网络输入误差是两层权值W和V的函数,因此调整权值可以改变误差E。显然,调整权值的原则是使误差不断的减小,因此应使权值的调整量与误差的负梯度成正比,即:式中负号表示梯度下降,常数表示比例系数,在训练中反映了学习速率。容易看出,BP学习算法中,各层权值调整公式形式上都是一样的,均有

5、3个因素决定,即:学习速率、本层误差信号和本层输入信号X/Y。其中输出层误差信号同网络的期望输出与实际输出之差有关,直接反映了输出误差,而各隐层的误差信号与前面各层的误差信号都有关,是从输出层开始逐层反传过来的。三、程序clcclearallk=1;n=10;P=[-1:0.05:1];T=sin(k*pi*P);plot(P,T,'-');........................................精品资料title('要逼近的非线性函数');xlabel('输入向量');

6、ylabel('非线性函数目标输出向量');net=newff(minmax(P),[n,1],{'tansig','purelin'},'trainlm');y1=sim(net,P);net.trainParam.epochs=50;net.trainParam.goal=0.01;net=train(net,P,T);y2=sim(net,P);figure;plot(P,T,'-',P,y1,'--',P,y2,'*');title('训练前后的网络仿真结果对比');xlabel('输入

7、向量');ylabel('输出向量');legend('目标函数输出向量','未训练BP网络输出','已训练BP网络输出');仿真结果如下图:........................................精品资料........................................精品资料由仿真结果图可以看出,未经训练的BP网络输出与目标函数差距很大,逼近效果不理想,而对BP网络训练之后的输出可以较精确的逼近目标函数,并且BP网络的训练迭代次数仅约1.2次,网络的输出

8、目标误差就达到了精度要求,收敛速度很快。函数逼近效果、网络训练的收敛速度与原始非线性函数的频率、BP网络隐含层单元神经元的数目以及BP网络训练函数有关。四、实验结论通过编程实现使用BP网络对函数进行逼近,对BP网络的信号和误差传递的原理以及隐层、输出层权值调整的规则有了充分的理解和认识。BP网络是一个强大的工具,它是应用最为广泛的网络。用于文字识别、模式分类、文字到声音的转换、图像压缩、决策支持等。........................................精品资料但是,通过

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。