学号： 北 京 工 商 大 学 人工神经网络实验报告 实验一 基于 BP 算法的 XX 及 Matlab 实现 院 （系） 专 业 学生姓名 成 绩 指导教师 2011 年 10 月 一、 实验目的： 1、 熟悉MATLAB中神经网络工具箱的使用方法； 2、了解BP神经网络各种优化算法的原理； 3、掌握BP神经网络各种优化算法的特点； 4、掌握使用BP神经网络各种优化算法解决实际问题的方法。 二、实验内容： 1 案例背景 1.1 BP神经网络概述 BP神经网络是一种多层前馈神经网络,该网络的主要特点是信号前向传递,误差反向传播。在前向传递中,输入信号从输入层经隐含层逐层处理,直至输出层。每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出,则转入反向传播,根据预测误差调整网络权值和阈值,从而使BP神经网络预测输出不断逼近期望输出。BP神经网络的拓扑结构如图1.1所示。 图1.1 BP神经网络拓扑结构图 图1.1中1x ,2x , ……nx 是BP神经网络的输入值1y ,2y , ……ny 是BP神经的预测值,ij 和jk 为BP神经网络权值。从图1.1可以看出,BP神经网络可以看成一个非线性函数,网络输入值和预测值分别为该函数的自变量和因变量。当输入节点数为n ,输出节点数为m 时,BP神经网络就表达了从n 个自变量到m 个因变量的函数映射关系。 BP神经网络预测前首先要训练网络,通过训练使网络具有联想记忆和预测能力。BP神 经网络的训练过程包括以下几个步骤。 步骤1:网络初始化。根据系统输入输出序列yx,确定网络输入层节点数n 、隐含层节点数l ,输出层节点数m ,初始化输入层、隐含层和输出层神经元之间的连接权值ij 和jk ,初始化隐含层阈值 a ,输出层阈值 b ,给定学习速率和神经元激励函数。 步骤2:隐含层输出计算。根据输入向量 x ,输入层和隐含层间连接权值ij 以及隐含层阈值 a ,计算隐含层输出H 。 式中, l 为隐含层节点数; f 为隐含层激励函数,该函数有多种表达形式,本章所选函数为: 步骤3:输出层输出计算。根据隐含层输出H ,连接权值jk 和阈值b ,计算BP神经网络预测输出O 。 步骤4:误差计算。根据网络预测输出O 和期望输出y ,计算网络预测误差 e 。 步骤5:权值更新。根据网络预测误差 e 更新网络连接权值ij ,jk 。式中, 为学习速率。 步骤6:阈值更新。根据网络预测误差 e 更新网络节点阈值 a ,b 。 步 骤 7:判 断 算 法 迭 代 是 否 结 束 ,...
