1、精選優(yōu)質(zhì)文檔-傾情為你奉上神經(jīng)網(wǎng)絡學習報告一 神經(jīng)網(wǎng)絡的特點及其應用神經(jīng)網(wǎng)絡是一種黑箱建模工具，所謂黑箱建模就是在對研究對象系統(tǒng)一無所知的情況下，將該系統(tǒng)看作“黑匣子”，借助已有的數(shù)據(jù)，通過數(shù)學計算得到系統(tǒng)輸入與輸出之間的關系。這一方法相對于其他的建模方式具有一下特點：有很強的適應能力有很強的學習能力是多輸入多輸出的系統(tǒng)隨著人們對神經(jīng)網(wǎng)絡的深入的研究，神經(jīng)網(wǎng)絡得以在很多場合都有了應用。尤其是在模式識別，人工智能，信息處理，計算機科學等方面；模式識別及圖像處理 語音識別，人臉識別，指紋識別，簽字識別，字符識別，目標檢測與識別，圖像壓縮和圖像還原等；控制及優(yōu)化 工業(yè)過程控制，機器人運動控制，家電智

2、能控制，集成電路設計等；（3） 預測和信息管理 股票市場數(shù)據(jù)預測，地震預測，證券管理，交通管理，IC卡管理等；（4） 通信領域 自適應均衡，回波抵消，ATM網(wǎng)絡中的呼叫接納識別以及控制和路由選擇等；二 人工神經(jīng)網(wǎng)絡的基本模型及其實現(xiàn) 人工神經(jīng)網(wǎng)絡是由多個神經(jīng)元構(gòu)成的如下圖1所示：. 神經(jīng)元的結(jié)構(gòu)如下圖2所示： 圖中X1Xn是該神經(jīng)元的輸入信號，當然此信號有可能來自系統(tǒng)的輸入信號，也有可能來自前面的其他神經(jīng)元。Wij表示從神經(jīng)元i到神經(jīng)元j的連接權值，Wi0表示一個閾值。所以神經(jīng)元i的輸入與輸出的關系為： （1） （2）neti稱為神經(jīng)元i的凈激活，若neti大于零則該神經(jīng)元處于激活狀態(tài)，若小于

3、零則處于抑制狀態(tài)。三 BP神經(jīng)網(wǎng)絡的設計 BP神經(jīng)網(wǎng)絡的設計步驟如下圖：數(shù)據(jù)的讀取數(shù)據(jù)很少可以直接在程序中給出，則無需讀取。若數(shù)據(jù)很多，可以另外存儲在一個text，mat文件中使用load函數(shù)就這可以直接讀取。數(shù)據(jù)歸一化 數(shù)據(jù)歸一化就是把實驗數(shù)據(jù)映射到0,1或-1,1或者更小的區(qū)間上。 Matlab數(shù)據(jù)歸一化函數(shù)有premnmx，postmnmx，tramnmx三個函數(shù); 語法為：pn,minp,maxp,tn,mint,maxt=premnmx(p,t); pn=tramnmx(p,minp,maxp) p,t=postmnmx(pn,minp,maxp,tn,mint,maxt)(3)創(chuàng)建

4、神經(jīng)網(wǎng)絡 創(chuàng)建神經(jīng)網(wǎng)絡的函數(shù)有很多，常用的為newff函數(shù)語法為：net=newff（A,B,C,trainfun） 其中A我n*2矩陣，第i行的最大值和最小值；B為k維行向量，其元素為網(wǎng)絡中各層的神經(jīng)元個數(shù)；C為各層對應的激活函數(shù)；trainfun為學習規(guī)則采用的學習方法；（4）訓練參數(shù)的設置 訓練參數(shù)設置如下：目標誤差：net.trainparam.goal;顯示中間結(jié)果的周期：net.trainparam.show;最大迭代次數(shù)：net.trainparam.epochs;學習率：net.trainparam.Ir;（5）訓練函數(shù)的格式 語法：net,tr,Y1,E=train(net,

5、X,Y)X為網(wǎng)絡輸入；Y為網(wǎng)絡應有輸出；tr為訓練跟蹤信息；Y1為網(wǎng)絡實際輸出；E為誤差矩陣；（6）參數(shù)仿真語法：Y=sim（net，X）其中為網(wǎng)絡，X為輸入網(wǎng)絡的K*N矩陣，K為樣本數(shù)，N為數(shù)據(jù)樣本數(shù)；Y：輸出矩陣Q*N，Q為網(wǎng)絡輸出個數(shù)；四 Matlab BP神經(jīng)網(wǎng)絡實例 實例以Iris的特征和種類數(shù)據(jù)作為神經(jīng)網(wǎng)絡的測試數(shù)據(jù)。這種花有三種品種，不同品種之間花的花萼長度，寬度和花瓣長度，寬度不同，本實例目的是為了找到品種和花萼花瓣的特征的對應關系；本實例共150組數(shù)據(jù)其中75作為訓練數(shù)據(jù)，其中三種花各25組數(shù)據(jù)；75組數(shù)據(jù)作為檢驗樣本，三種花依次編號為1，2，3.因此數(shù)據(jù)有四個輸入，三個輸出

6、；Matlab程序如下：f1,f2,f3,f4,class = textread('trainData.txt' , '%f%f%f%f%f',150); input,minI,maxI = premnmx( f1 , f2 , f3 , f4 ') ; s = length( class ) ;output = zeros( s , 3 ) ;for i = 1 : s output( i , class( i ) ) = 1 ;endnet = newff( minmax(input) , 10 3 , 'logsig' 'p

7、urelin' , 'traingdx' ) ; net.trainparam.show = 50 ;net.trainparam.epochs = 500 ;net.trainparam.goal = 0.01 ;net.trainParam.lr = 0.01 ;net = train( net, input , output' ) ; t1, t2, t3, t4, c = textread('testData.txt' , '%f%f%f%f%f',150);testInput = tramnmx ( t1,t2,t3,t

8、4' , minI, maxI ) ;Y = sim( net , testInput ) s1 , s2 = size( Y ) ;hitNum = 0 ;for i = 1 : s2 m , Index = max( Y( : , i ) ) ; if( Index = c(i) ) hitNum = hitNum + 1 ; endendsprintf('識別率是 %3.3f%',100 * hitNum / s2 )程序運行結(jié)果Y = Columns 1 through 14 0.9423 0.9182 1.0313 1.0345 0.9841 0.9614 0

9、.9306 1.0504 1.0096 0.9814 1.0416 1.0238 1.1002 0.9413 0.0398 0.0800 -0.0385 -0.0458 -0.0005 0.0216 0.0735 -0.0478 0.0051 -0.0019 -0.0668 -0.0230 -0.1206 0.0420 0.0057 -0.0007 0.0067 0.0130 -0.0030 0.0002 0.0060 0.0016 -0.0052 0.0126 0.0335 0.0069 0.0151 0.0168 Columns 15 through 28 1.0300 1.0227 0.

10、5615 1.0105 0.8169 0.9469 0.8956 1.0403 1.0094 1.0293 1.0336 0.0308 -0.0060 -0.0119 -0.0424 -0.0351 0.4309 -0.0321 0.1934 0.0643 0.0862 -0.0426 -0.0315 -0.0288 -0.0526 0.9856 0.9269 0.6285 0.0092 0.0179 0.0409 0.0152 0.0007 -0.0221 0.0264 0.0003 0.0132 0.0023 0.0174 -0.0151 0.0968 0.3848 Columns 29

11、through 42 -0.0313 0.0654 -0.0097 0.0183 0.0060 -0.0479 -0.0356 0.0360 0.0172 -0.0158 0.0155 -0.0416 -0.0351 -0.0055 0.9000 1.0477 1.0745 1.0713 1.0943 0.3816 0.8551 0.8785 0.9105 0.9355 1.1062 1.0141 0.9958 0.9614 0.1333 -0.1197 -0.0611 -0.0938 -0.0876 0.6144 0.1911 0.0712 0.0765 0.0473 -0.0941 0.0

12、432 0.0459 0.0393 Columns 43 through 56 -0.0131 0.0480 -0.0337 0.0431 -0.0026 0.0155 0.0359 -0.0146 -0.0108 -0.0238 -0.0371 0.0317 -0.0079 -0.0094 1.0773 1.0646 1.0405 1.0889 1.0817 1.0335 1.1353 1.0856 0.2547 0.4009 0.4324 -0.1223 0.4707 0.0772 -0.0606 -0.0717 0.0135 -0.1319 -0.0574 -0.0483 -0.1152

13、 -0.0454 0.7803 0.5702 0.5565 1.0832 0.5758 0.9472 Columns 57 through 70 0.0907 0.0533 -0.0501 -0.0749 0.0307 -0.0140 -0.0380 -0.0401 0.0241 0.0523 0.0673 -0.0121 0.0178 0.0358 0.0478 -0.1695 0.6489 0.3663 -0.0417 -0.0188 0.2688 0.4635 0.1155 -0.1190 0.0460 0.0001 -0.0576 -0.0853 0.8417 1.1223 0.3753 0.6588 0.9847 0.9911 0.711