制作音乐网站实验报告,企业网站建设的策略,微网站 微官网的区别,ps怎么做网站首页BP神经网络#xff1a;是1986年由Rumelhart和McClelland为首的科学家提出的概念#xff0c;是一种按照误差逆向传播算法训练的多层前馈神经网络#xff0c;是目前应用最广泛的神经网络。神经网络是把生活中的常见情节推广到计算仿真的范畴#xff0c;这样的启发式算法还有许… BP神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念是一种按照误差逆向传播算法训练的多层前馈神经网络是目前应用最广泛的神经网络。神经网络是把生活中的常见情节推广到计算仿真的范畴这样的启发式算法还有许多例如遗传算法、烟花算法、蚁群算法、模拟退火算法等等。 一、神经网络算法步骤
1、导入需要处理的数据随机获取实验数据和目标数据。
2、构建训练网络函数newwff。
3、对网络训练函数train。
4、仿真操作函数sin(net,x)。
5、评价。
6、模拟训练的效果可视化。
在神经网络训练中我们构建神经网络的实验数据和目标收敛数据都是从原始数据中随机获取的。
二、神经网络学习主要函数说明 newff前馈网络创建函数 函数结构net newff(A,B,{C},’trainFun’,’BLF’,’PF’)。 参数 A一个n*2的矩阵第i行元素为输入信号Xi的最大最小值 B一个K维行向量其元素为网络中各个节点的数量 C一个K维字符串行向量每一个分量为对应层的神经元的激活函数默认为“tansig” trainFun为学习规则的采用的训练算法。默认为“trainlm” BLFBP权值/偏差学习函数。默认为“learngdm” PF性能函数默认为“mse” train函数 函数结构 网络学习函数[net,tr,YI,E] train(net,X,Y) 。 参数 X网络实际输入 Y网络应有输出 tr网络跟踪信息 YI网络实际输出 E误差矩阵。 sim函数 函数结构Y sim(net,X) 。 参数 X输入给网络的KN矩阵K为网络输入个数N为样本数据量 Y输出矩阵QN,其中Q为网络输出个数。
三、案例
1案例1
利用三层BP神经网络来完成非线性函数的逼近任务其中隐层神经元个数为五个。
clear; clc;X-1:0.1:1;D[-0.9602 -0.5770 -0.0729 0.3771 0.6405 0.6600 0.4609...0.1336 -0.2013 -0.4344
-0.5000 -0.3930 -0.1647 -.0988...0.3072 0.3960 0.3449
0.1816 -0.312 -0.2189 -0.3201];netnewff([-1,1],[5,1],{tansig,tansig});%初始网络net.trainParam.epochs1000;%最大训练次数net.trainParam.goal0.005;%训练要求精度nettrain(net,X,D);%网络训练figureplot(X,D,*,X,Y); %绘制实际曲线点和预测曲线% 利用得到的神经网络和数据仿真预测Ysim(net,X) %Y为预测结果2案例2
clear;clc;P[-1 -1 2 2 4;0
5 0 5 7];T[-1 -1 1 1
-1];% 样本数据归一化处理[input_n,input_ps]mapminmax(P);[output_n,output_ps]mapminmax(T);% 初始化网络结果利用minmax函数求输入样本范围netnewff(input_n,output_n,[5,1]);%三个数据为输入样本数据输出样本数据和隐含层节点数%设置参数net.trainParam.show50;net.trainParam.lr0.05;net.trainParam.epochs300;net.trainParam.goal0.005;%网络训练[net,tr]train(net,P,T);%利用得到的神经网络和数据仿真预测Ysim(net,P)%Y为预测结果以上是BP神经网络的相关介绍BP神经网络适用于大样本数据的预测至于小样本还有灰色理论、最小二乘支持向量机、广义回归神经网络、灰色神经网络不同的数据需要根据其自身特点选择不同的预测方法。在很多次实验之后我比较钟情于BP神经网络和组合预测组合预测是大趋势客观上有道理主观上有更大的操作可能性。 下面给出广义回归神经网络包含交叉验证过程的GRNN用于小样本量预测的代码包括BP神经网络预测结果的对比。 GRNN预测BP对比
