资源描述：
《神经网络算法new.ppt》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、神经网络算法简介主讲：何仁斌实际应用问题1、蠓虫的分类问题2、DNA序列分类问题3、癌症诊断问题……神经网络算法简介感知器感知器(perceptron)是由美国科学家F.Rosenblatt于1957年提出的，其目的是为了模拟人脑的感知和学习能力。感知器是最早提出的一种神经网络模型。它特别适合于简单的模式分类问题，如线性可分的形式。神经网络算法简介以两个输入的单层感知器神经元为例∑w(1,1)w(1,2)p(1)p(2)nabw——权重;b——阈值如果设w(1,1)=-1,w(1,2)=2,b=1L-b/w(1,2)-b/
2、w(1,1)wp+b>0a=1wp+b<0a=0单层感知器多层感知器w(1,1)w(1,2)p1p2na2∑b1∑b2n1a1n2a1∑b1w(2,1)w(2,2)性能指标：均方误差达到最小涉及算法注意：单层感知器的局限性是：仅对线性可分问题具有分类能力。分类问题的MATLAB软件实现以蠓虫分类问题为例%输入向量P=[1.241.361.381.381.381.41.481.541.561.141.181.21.261.281.3;1.721.741.641.821.91.71.821.822.081.781.961.86
3、2.02.01.96];%目标向量T=[111111111000000];%绘制输入向量plotpv(P,T);1）单层感知器∑w(1,1)w(1,2)p(1)p(2)nab%建立一个感知器net=newp([03;03],1);%绘制输入向量plotpv(P,T);E=1;%初始化感知器net=init(net);linehandle=plotpc(net.IW{1},net.b{1});分类问题的MATLAB软件实现分类问题的MATLAB软件实现%修正感知器网络while(sse(E))[net,Y,E]=adapt(
4、net,P,T);%返回学习后的网络,Y是输出，E是误差linehandle=plotpc(net.IW{1},net.b{1},linehandle);%分界线绘制函数drawnow;%更新分界线end;%利用训练好的感知器对未知类别样本进行分类p=[1.24,1.28,1.4;1.8,1.84,2.04];a=sim(net,p);plotpv(p,a);ThePoint=findobj(gca,'type','line');set(ThePoint,'Color','red');holdon;plotpv(P,T);
5、plotpc(net.IW{1},net.b{1});holdoff;disp('Endofpercept')分类问题的MATLAB软件实现分类结果：AfApf以上结果是图形化的结果，如下给出数值化的结果：mcfl1.mP=[1.241.361.381.381.381.41.481.541.561.141.181.21.261.281.3;1.721.741.641.821.91.71.821.822.081.781.961.862.02.01.96];%目标向量T=[111111111000000];%建立一个感知器ne
6、t=newp([03;03],1);%网络训练次数net.adaptParam.passes=100net=adapt(net,P,T);%返回自适应的神经网络%输出仿真结果Y=sim(net,P)%利用训练好的感知器进行分类p=[1.24,1.28,1.4;1.8,1.84,2.04];a=sim(net,p)仿真结果：Y=Columns1through1111111111100Columns12through150000a=111准确率达到100%。BP网络(Back-PropagationNetwork)目前，在人工
7、神经网络的实际应用中，决大部分的神经网络模型是采用BP网络和它的变化形式。BP网络主要用于：◆函数逼近◆模式识别◆分类◆数据压缩学习过程由信号的正向传播与反向传播两个过程组成。正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望输出（教师信号）不符合时，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此信号作为修正各单元权值的依据。BP算法的基本思想：x1x2xixn-1xn……y1y2yjym
8、……W1WkWlo1okol……输入层隐层输出层隐层到输出层之间的权值矩阵：W=[W1,W2,…,Wl]1、网络结构2、各层信号之间的数学关系输出层ok=f(netk),netk=∑j=0:mwjkyj,k=1,2,…,l,对隐层yk=f(netj),netj=∑i=0:nvijxi,j=1,2,…,m
