试验报告BP神经网络2150230509资料VIP免费

深圳大学实验报告实验课程名称：神经网络与进化算法实验项目名称：BP神经网络对蝴蝶花进行分类学院：计算机与软件专业：软件工程报告人：文成学号：2150230509同组人：无指导教师：朱安民实验时间：2016年4月1日至2016年4月7日实验报告提交时间：2016年4月7日教务处制BP神经网络对蝴蝶花进行分类，软件工程，文成，21502305092一、实验目的初步熟悉BP神经网络，并设计一个BP神经网络对蝴蝶花进行分类二、实验内容设计一个BP神经网络对蝴蝶花进行分类，要求提交试验报告，内容包括：1．问题说明描。2．数据述。3．网络设计，包括输入层、隐含层、输出层节点个数的设计。4．算法步骤。5．编程，注意原始数据的通用化，数据输入的随机性。6．网络训练，注意训练数据与验证数据分开。7．网络验证7．结果分析，修改隐含层节点个数，修改学习率，分别对结果的影响。8．体会，例如对下列问题的理解：1）BP学习算法的基本思想?2）BP网络设计中结点个数如何确定?3）为什么要对数据进行通用标准化,即转为[-1,1]?4）为什么要对训练数据的输入顺序进行随机化处理？5）为什么训练数据与测试数据要分开？注意：如果用MatLab编程序，将下列数据存放到一个文本文件（例如data.dat），编写程序存放到一个m文件中（例如你的学号.m），数据文件和程序文件放在同一文件夹下。运行MatLab后，指定上述文件夹为工作区域，在命令行运行m文件。BP神经网络对蝴蝶花进行分类，软件工程，文成，21502305093三、实验步骤前期工作：首先将实验数据分为两组，一组用于训练，一组用于测试。分别保存在trainData.txt和testData.txt中（115组训练数据和35组测试数据）。如图所示：各列数据代表的意义如下：序号种类叶长叶宽花长花宽(单位:cm)1149301422266294613⋯150365336025（本实验设计一个BP网络，先用75%的数据对网络进行训练，然后用25%的数据进行检测。）BP神经网络对蝴蝶花进行分类，软件工程，文成，21502305094网络设计：输入层用4个节点，分别对应文件中的3/4/5/6列，隐层用3个节点。因为输出有3类，我们也用3个节点来表示，分别对应100/010/001。算法描述：BP学习算法类似于LMS算法，它是基于梯度下降：即权值按照错误信号的负梯度方向进行修改。其主要优点在于将高层的错误表现反向传递为低层，从而修改权值。第一步，初始化权值随机赋值，取值范围[-1,+1]第二步，输入层FA输入样品，计算出隐层FB活动第三步，计算出输出层FC活动第四步，网络输出和期望输出相比较，计算出输出层FC的错误第五步，反传，计算出隐层FB的错误第六步，修改FC层和FB之间的权值wij第七步，修改FA层和FB之间的权值vhj第八步，修改偏差i、j重复第二到第八步，直到输出层FC的错误足够小MATLAB编程：使用Matlab建立前馈神经网络主要会使用到下面3个函数：BP神经网络对蝴蝶花进行分类，软件工程，文成，21502305095newff：前馈网络创建函数train：训练一个神经网络sim：使用网络进行仿真MATLAB代码如下，根据隐含层节点个数、学习率、激活函数的选择不同只需要要稍作修改。%读取训练数据[id,class,f1,f2,f3,f4,]=textread('trainData.txt','%f%f%f%f%f%f');%特征值归一化[input,minI,maxI]=premnmx([f1,f2,f3,f4]');%构造输出矩阵s=length(class);output=zeros(s,3);fori=1:soutput(i,class(i)+1)=1;end%创建神经网络net=newff(minmax(input),[33],{'logsig''logsig'},'traingdx');%设置训练参数net.trainparam.show=50;net.trainparam.epochs=1500;net.trainparam.goal=0.01;net.trainParam.lr=0.01;%开始训练net=train(net,input,output');%读取训练数据[id2ct1t2t3t4]=textread('testData.txt','%f%f%f%f%f%f');%测试数据归一化testInput=tramnmx([t1,t2,t3,t4]',minI,maxI);%仿真Y=sim(net,testInput)%取最大者为1的位置作为识别结果[resultmax,r]=max(Y);testclass=r'-1;BP神经网络对蝴蝶花进行分类，软件工程，文成，21502305096%统计识别正确率[s1,s2]=size(Y);hitNum=0;fori=1:s2[m,Index]=max(Y(:,i));if(Index==c(i)+1)hitNum=hitNum+1;endendsprintf('ê?±e?êê?%3.3f%%',100*hitNum/s2)%输入到隐层权值w1=net.iw{1,1}...