神经网络作业

《神经网络作业》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、人工神经网络作业题目：BP网络用于非线性函数逼近院系：电气工程学院专业：控制理论与控制工程姓名：李飞学号：099909001一、要求：（一）构造输入输出数据（训练样本、检验样本），3输入，2输出网络：其中。(二)在定义域内选20个点，+10%随机噪声，10个样本训练，10个检验泛化能力。(三)确定网络结构（四）讨论：1、网络初值对训练的影响2、步长指的是什么？3、如何解决局部最小点问题？二、解决方案（一）网络结构(二)程序closeallclearechoonclcpauseclcP=[-1:0.2:1];randn('seed',783412

2、23);T=cos(2*pi*P)+0.1*randn(size(P));plot(P,T,'+')echooffholdonplot(P,cos(2*pi*P),':')%绘制不含噪声的余弦曲线echoonclcpauseclcval.P=[-1:0.2:1];%验证样本的输入矢量val.T=cos(2*pi*val.P)+0.1*randn(size(val.P));%验证样本的目标矢量pauseclc%创建一个新的前向神经网络net=newff(minmax(P),[5,1],{'tansig','purelin'},'traingdx'

3、);pauseclc%设置训练参数net.trainParam.epochs=1000;net=init(net);pauseclc%训练BP网络[net,tr]=train(net,P,T,[],[],val);pauseclc%队BP网络进行仿真A=sim(net,P);%计算仿真误差E=T-A;MSE=mse(E)pauseclc%绘制仿真拟合结果曲线closeall;plot(P,A,P,T,'-',P,cos(2*pi*P),':')pause;clcechooff(三)运行结果（1）红色为目标跟踪曲线（2）蓝色为未经过训练的跟踪曲线

4、（3）绿色为经过神经网络训练的跟踪曲线由图中可以看出经过神经网络训练后的曲线可以近似跟踪目标曲线(四)讨论：1、网络初值对训练的影响Kohonen层的重要工作之一就是要找出样本集中的输入量的分布情况。当然，如果样本集中输入量的输入是均匀的，就可以按照随机均匀分布的方式完成对w1,w2,….wh的初始化工作，然而，在多数情况下，样本集中的输入量的分布不是均匀的。所以，用不同的小伪随机数作为联接权的初值的做法就不一定是适应的，这可能造成严重的不平衡。因为不同的小伪随机数会使这些权向量的初值均匀的分布在一个高维“球面”上，而对应的输入量通常的不均匀性

5、会使得它们趋向于在这个高维“球面”的某一部分聚集。随机的权向量的大多数会因为离输入量“太远”而无法获得匹配，从而使相应的神经元输出总是为0，这样一来，该神经元和它对应的这组连接权以及它对应的Grossberg层的那一组连接权就被浪费了。与此同时，其中会有一部分神经元代表的类含有过多的输入向量，因此，又难以对这些向量进行人们所期望的分类。2、步长指的是什么？步长就是指BP网络控制权修改量的大小。如果步长太小，收敛就非常慢，如果步长太大，可能会导致网络的瘫痪和不稳定。较好的解决办法是设计一个自适应步长，使得权修改量能随着网络的训练而不断变化。一般来

6、说，训练的初期，权修改量可以大一些，到了训练的后期，权修改量可以小一些。3、如何解决局部最小点问题？（1）目标函数时误差函数时，不是规定越小越好，而是让它有一个范围，让它有机会跳出局部最小点。（2）权值初始化时取权值和输入向量点成最小的权值，这样使训练时间变短而且有利于避开局部最小点。