基于神经网络的模式识别实验要求.doc

《基于神经网络的模式识别实验要求.doc》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、实验七基于神经网络的模式识别实验一、实验目的理解BP神经网络和离散Hopfield神经网络的结构和原理，掌握反向传播学习算法对神经元的训练过程，了解反向传播公式。通过构建BP网络和离散Hopfield网络模式识别实例，熟悉前馈网络和反馈网络的原理及结构。二、实验原理BP学习算法是通过反向学习过程使误差最小，其算法过程从输出节点开始，反向地向第一隐含层(即最接近输入层的隐含层)传播由总误差引起的权值修正。BP网络不仅含有输入节点和输出节点，而且含有一层或多层隐(层)节点。输入信号先向前传递到隐节点，经过作用后，再把隐节点的输出信息传递到输出节点，最后给出输出结果。离散Hop

2、field神经网络的联想记忆过程分为学习和联想两个阶段。在给定样本的条件下，按照Hebb学习规则调整连接权值，使得存储的样本成为网络的稳定状态，这就是学习阶段。联想是指在连接权值不变的情况下，输入部分不全或者受了干扰的信息，最终网络输出某个稳定状态。　　三、实验条件Matlab7.X的神经网络工具箱：在Matlab7.X的命令窗口输入nntool，然后在键盘上输入Enter键，即可打开神经网络工具箱。四、实验内容1.针对教材P243例8.1，设计一个BP网络结构模型（63-6-9），并以教材图8.5为训练样本数据，图8.6为测试数据。（1）运行train_data.m和t

3、est_data.m文件，然后从Matlab工作空间导入（Import）训练样本数据（inputdata10，outputdata10）和测试数据（testinputdata，testoutputdata），其次新建一个神经网络（NewNetwork），选择参数如下表1，给出BP神经网络结构图。表1BP网络结构模型的各项参数设置NetworkName（神经网络名称）nn10_1NetworkType（神经网络类型）Feed-forwardbackprop（前馈反向传播）Inputranges（输入信息范围）来自训练样本的输入数据（inputdata10）Trainingf

4、unction（训练函数）TRAINGD(梯度下降BP算法)Performancefunction（性能函数）MSE（均方误差）Numberoflayers（神经网络层数）2Layer1（第1层）的Numberofneurons(神经元个数)6Layer1（第1层）的TransferFunction(传递函数)LOGSIG（S型函数）Layer2（第2层）的Numberofneurons(神经元个数)9Layer2（第2层）的TransferFunction(传递函数)LOGSIG（S型函数）（2）输入训练样本数据（inputdata10，outputdata10），随机

5、初始化连接权（InitializeWeights），然后进行训练（Train），训练参数设置如表2所示，并观察训练目标值变化曲线图，最后把BP神经网络训练成功后(即误差不再变化后)的误差值填入表3。表2BP网络训练参数训练次数（epochs）10000训练时间（time）Inf训练目标（goal）0学习率（lr）0.3最大确认失败次数（max_fail）5最小性能梯度（min_grad）1e-050两次显示之间的训练步数（show）25表3BP网络各训练算法的训练目标值Trainingfunction（训练函数）NetworkName（神经网络名称）训练次数（epochs

6、）Performance(训练目标值)TRAINGD(梯度下降BP算法)nn10_1100007.22e-5TRAINGDM（梯度下降动量BP算法）nn10_2100001.57e-4TRAINLMM（Levenberg-MarquardtBP训练函数）nn10_312766.4269e-27TRAINRP（弹性BP算法）nn10_4192.41974e-59TRAINSCG（变梯度算法）nn10_51924.343e-51（3）选择不同的训练函数，例如TRAINGDM（梯度下降动量BP算法）、TRAINLMM（Levenberg-MarquardtBP训练函数）、TRA

7、INRP（弹性BP算法）、TRAINSCG（变梯度算法），然后输入训练样本数据（inputdata10，outputdata10），训练参数设置如表2所示，设置相同的初始连接权（RevertWeights），观察不同BP训练算法的学习效果，把各训练算法的训练目标值填入上表3。W（1，1）[00000000001.45890.62922-0.303950.839770.151560.31507-0.90606001.8891.667501.02111.895601.948300-0.191460.16119-1.7775-1.8