神经网络原理及应用.ppt

《神经网络原理及应用.ppt》由会员上传分享，免费在线阅读，更多相关内容在PPT专区-天天文库。

1、BP神经网络原理及应用数学建模工作室房恩岳2012.11.07Contents神经网络概述BP神经网络应用实例在matlab中的实现BP网络模型改进神经网络简介什么是神经网络？人类的神经网络神经网络（NNs）它是一种模拟动物神经网络行为特征，进行分布式并行信息处理的算法。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。神经网络基础知识构成：大量简单的基本元件——神经元相互连接工作原理：模拟生物的神经处理信息的方式功能：进行信息的并行处理和非线性转化特点：比较轻松地实现非线性映射过程具有大规

2、模的计算能力神经网络的本质神经网络的本质就是利用计算机语言模拟人类大脑做决定的过程做决定距离味道价格生物神经元结构：树突细胞核细胞体轴突突触神经末梢那怎样用机器语言来模拟呢？神经元结构模型x1x2xjx3xnyixj为输入信号，为阈值，表示与神经元xj连接的权值yi表示输出值判断是否大于阀值什么是阀值？临界值。比如有一头驴，往它身上压稻草，一根一根地压，当压到N根时，还没有被压倒，又压了一根，倒了，这时所有压在驴身上的稻草的多少，就是压倒这头驴的阈值。神经网络是模仿大脑的神经元，当外界刺激达到一定的阀值时，神经元才会受刺激，影响下一

3、个神经元。判断是否大于阀值若大于阀值，则此神经元接受此信息，输出若小于阀值，则此神经元不接受此信息的传递系统本身/黑盒子知道不知道y=x^2机场输入：x输出：y几种代表性的网络模型单层前向神经网络——线性网络阶跃网络多层前向神经网络(反推学习规则即BP神经网络)Elman网络、Hopfield网络、双向联想记忆网络、自组织竞争网络等等神经网络能干什么？运用这些网络模型可实现函数逼近、数据聚类、模式分类、优化计算等功能。因此,神经网络广泛应用于人工智能、自动控制、机器人、统计学等领域的信息处理中。虽然神经网络的应用很广,但是在具体的使

4、用过程中到底应当选择哪种网络结构比较合适是值得考虑的。这就需要我们对各种神经网络结构有一个较全面的认识应用范围医学：疾病识别图像：识别、去噪、增强、配准、融合金融：股票和有价证券的预测分析、资本收益的预测和分析、风险管理、信用评估等等神经网络BP(Back-Propagation)神经网络BP神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈

5、值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input)隐层(hidelayer)和输出层(outputlayer)BP神经网络特点：多层前馈神经网络，信号向前传播，误差向后传播。结构：输入层输出层中间层ijk输入层输出层中间层ijk中间层：输入输出输入层输出层中间层ijk输出层:输入输出传递函数阈值型线性型S型传递函数(激活函数)logsig(S型函数)：MATLAB按此函数计算：调用格式：A=logsig(N)如：n=-10:0.1:10；a=logsig(n)plot(n,a)gridon图形如下：tans

6、ig(双曲正切S型传递函数)：调用格式：A=tansig(n)如：n=-10:0.1:10a=tansig(n)plot(n,a)gridon如右图所示BP神经网络原理基本BP算法包括两个方面：信号的前向传播和误差的反向传播。即计算实际输出时按从输入到输出的方向进行，而权值和阈值的修正从输出到输入的方向进行。利用输出后的误差来估计输出层的直接前一层的误差，再用这个误差估计更前一层的误差，如此一层一层的反传下去，就获得了所有其他各层的误差估计。BP神经网络工作原理误差向后传播输入层输出层隐含层BP神经网络工作流程1.网络初始化：根据训

7、练数据确定网络的输入神经元数n，隐含神经元数l，输出神经元数m，初始化各层神经元之间的连接权值和，初始化隐含层和输出层的阈值a和b，给定学习速率和神经元传递函数。2.隐含层输出计算：根据输入向量X，输入层和隐含层连接权值以及隐含层阈值a，计算隐含层输出H3.输出层输出计算。根据隐含层输出的H,连接权值和阈值b,计算BP神经网络的预测输出O.4.误差计算根据预测输出O和期望输出Y计算网络预测误差e5.权值更新根据网络误差更新网络权值，6.阈值更新，根据网络误差网络e，神经元阈值a，b7.判断算法迭代是否结束，若没有结束返回步骤2正向传

8、播：输入样本－－－输入层－－－各隐层－－－输出层判断是否转入反向传播阶段：若输出层的实际输出与期望的输出（教师信号）不符误差反传误差以某种形式在各层表示－－－－修正各层单元的权值网络输出的误差减少到可接受的程度进行到预先设定的学习次数