神经网络算法PPT培训课件VIP免费

数学建模与数学实验神经网络目的内容学习神经网络的基本原理与方法。1、人工神经元数学模型4、BP神经网络应用3、BP神经网络Matlab工具箱函数2、BP神经网络神经网络（NeuralNetworks）是从微观结构与功能上对人脑神经系统进行模拟而建立起来的数学模型，它具有模拟人脑思维的能力，其特点主要是具有非线性特性、学习能力和自适应性等，是模拟人类智能的一种重要方法。神经网络是由神经元互联而成的，能接收并处理信息，而这种信息处理主要是由神经元之间的相互作用，即通过神经元之间的连接权值来处理并实现的。神经网络在人工智能、自动控制、计算机科学、信息处理和模式识别等领域得到了非常成功地应用。一、人工神经元数学模型生物神经元，也称神经细胞，它是由细胞体、树突、轴突和突触等生物组织构成的，并通过细胞膜电位来实现生物神经元的兴奋与抑制、学习与联想等基本功能，因此，它是构成人脑神经系统的基本功能单元。其结构如下图所示。根据生物神经元的结构与基本功能，可以将其简化为下图的形式，并建立神经网络模型的基础——人工神经元数学模型：1()njijijiyfwxa其中，jy表示神经元j的输出；ix表示神经元i的输入；ijw表示神经元i与神经元j之间的连接权值；ja表示神经元j的阈值；()f是输入到输出传递函数（也称激活函数）.下表给出了一些常用的传递函数。除线性传递函数外，其它的均是非线性的，因此，神经网络特别适合于解决非线性问题。神经网络传递函数名称传递函数表达式二值函数10()00xfxx线性函数()fxax分段线性函数00()01ccxfxcxxxxx非对称Sigmoid函数1()1xfxe非对称Sigmoid函数1()1xxefxe222211,01,01()()0,01,02()tanh(),03()10,014()exp()2xxxxnjjiiixxfxfxxxeefxxeexxsigmoidfxxxfxxx、阶跃函数：，或符号函数、双曲正切函数：、函数（S型）：、高斯函数：BP神经网络的拓扑结构如图所示。1.BP神经网络结构：其中，(1,,)ixin是神经网络的（实际）输入，(1,,)jyjm是隐含层的输出，即为输出层的输入，(1,,)kOkl网络的（实际）输出，,ab分别为隐含层和输出层神经元（节点）的阈值，,ijjkvw分别为输入层到隐含层和隐含层到输出层的权值。也就是说，图中所表示的BP神经网络，它的输入层神经元（节点）个数为n，隐含层神经元（节点）个数为m，输出层神经元（节点）个数为l，这种结构称为nml结构的三层BP神经网络。步骤1：网络初始化。根据输入12(,,,)nXxxx和期望输出12(,,,)lDddd来确定网络输入层、隐含层和输出层神经元（节点）个数，初始化各层神经元之间的连接权值ijv,jkw，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传递函数.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ijv以及隐含层阈值a，计算隐含层输出.10()()1,2,,nniijijijijjyfvxafvxim式中，m为隐含层节点数；001,ijvxa；()f为隐含层传递函数。这里我们采用传递函数为1()1xfxe.2．BP神经网络学习算法及流程以三层BP神经网络为例，它的训练过程包括以下几个步骤：步骤3：输出层输出计算。根据隐含层输出Y，连接权值jkw和阈值b，计算BP神经网络的实际输出O.10()()1,2,,mmkjkjkjkjjjOfwxbfwxkl步骤4：误差计算。根据网络实际输出与期望输出，计算网络总体误差.步骤5：权值更新。根据网络总体误差E，按照以下公式更新网络连接权值ijv，jkw.ijijijvvvjkjkjkwww1()(1)loijkjkjjikvwyyxojkkjwy其中()(1)okkkkkdooo,式中为学习速率。步骤6：判断算法迭代是否结束（可用网络总误差是否达到精度要求等方式来判断），若没有结束，返回步骤2.BP神经网络的流程图：三、BP神经网络Matlab工具箱函数主要介绍BP神经网络用到newff、train和sim等3个主要函数，各函数解释如下：（1）newff——BP神经网络参数设置函数函数功能：构建一个BP神经网络.函数形式：NET=newff(PR,[S1,S2,…,SN],{TF1,TF2,…,TFN},BTF...