1 神经网络及应用 实验报告 院系 ：电气工程学院 班级 ：adf3 班 姓名 ：adsf 学号 ：20sdf 2 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： 3 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（Gradient Descent）算法。 三：实验内容： Hermit 多项式如下式所示：f(x)=1.1(1-x+2x^2)exp(-x^2/2) 4 采 用 BP 算 法 设 计 一 个 单 输 入 单 输 出 的 多 层 感 知 器 对 该 函 数 进 行 逼 近 。 训 练 样 本 按 以 下 方 法 产 生 ： 样 本 数 P=100， 其 中 输 入 样 本 xi 服 从 区 间 [-4， 4]内的 均 匀 分 布 ， 样 本 输 出 为F(xi)+ei ,ei 为 添 加 的 噪 声 ， 服 从 均 值 为0， 标 准 差为 0.1 的 正 态 分 布 。 隐 层 采 用 Sigmoid 激 活 函 数 f(x)=1/(1+1/e^x)， 输 出 层 采 用 线 性 激 活 函 数f(x)=x。 注 意 ： 输 出 层 采 用 的 线 性 激 活 函 数 ， 不 是 Sigmoid 激 活 函 数 ， 所 以 迭 代 公 式 需 要根 据 前 面 的 推 导 过 程 重 新 推 导 。 四：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...
