BP神经网络及简单示例

单击此处编辑母版标题样式,*,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,单击此处编辑母版标题样式,*,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,单击此处编辑母版标题样式,*,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,单击此处编辑母版标题样式,*,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,Click to edit Master title style,Click to edit Master text styles,Second level,Third level,Fourth level,Fifth level,*,BP神经网络及简单示例,神经网络浅尝,神经网络根底知识,常用函数介绍,案例蠓虫分类,2,神经网络根底知识,构成：大量简单的根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：进展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,具有大规模的计算能力,3,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,应用范围,4,神经网络构造图,输入层,输出层,中间层,5,树突,细胞核,细胞体,轴突,突触,神经末梢,生物神经元构造：,6,神经元构造模型,x,1,x,2,x,j,x,3,x,n,y,i,可以看出神经元一般表现为一个多输入、单输出的非线性器件,x,j,为输入信号,，,为阈值，,表示与神经元,x,j,连接的权值,y,i,表示输出值,7,传递函数,阈值型,线性型,S,型,8,神经网络的互连模式,神经元分层排列，分别组成输入层、中间层(也叫隐含层，可以由假设干层组成)和输出层。,前向网络：,输入层,输出层,中间层,特点：每层只承受前一层的信息，没有反响。,如：感知器网络和BP神经网络,9,有反响的前向神经网络：,特点：输出层对输入层有反响信息。,如：认知机和回归BP网络。,10,层内有互相结合的前向网络：,特点：可以实现同一层内神经元之间的横向抑制或兴奋作用,11,相互结合型网络：,特点：任意两个神经元之间都可能有联系,12,BP,神经网络,多层前馈神经网络，信号向前传播，误差向后传播。,输入层,输出层,中间层,i,j,k,13,输入层,输出层,中间层,i,j,k,中间层：,输入,输出,14,输入层,输出层,中间层,i,j,k,输出层,:,输入,输出,15,输入层,输出层,中间层,i,j,k,16,思路：,1,、触角长和翼长作为输入信息，分别记为,x,1,x,2,。 目标输出：,(0,1),、,(1,0),。,Af,类记为,(1,0),，,Apf,类记为,(0,1),。,输入层,输出层,中间层,i,j,k,17,输入层,输出层,中间层,i,j,k,2、通过样本训练出适宜的权值,使输出为(0,1)或(1,0)。,3,、将待区分的蠓虫数据输入网络，求值。,18,权值求法：向后传播法,理想输出 Af类(1,0)，Apf类(0,1)记为 Tis那么有误差：,使得,E(w),最小的 作为所需的权值,19,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) grid on,20,图形如下：,21,tansig(,双曲正切,S,型传递函数,),：,调用格式：,A=tansig(n),如：,n=-10:0.1:10,a=tansig(n),plot(n,a),grid on,如右图所示,22,newff 创立一个BP网络，其调用格式为：,net=newff,net=newff(PR,S1 S2 SN1,TF1 TF2TFN1,BTF,BLF,PF),其中，,net=newff ：用于在对话框中创立一个BP网络,PR ：由每组输入(共有R组输入)元素的最大值和最小值组成的R2维的矩阵；,Si ：第i层的长度，共计N1层,TFi：第i层的传递函数，默认为“tansig,BTF：BP网络的训练函数，默认为“trainlm;,BLF：权值和阈值的BP学习算法，默认为“learngdm,PF：网络的性能函数，默认为“mse,常用函数,23,train 用于对神经网络进展训练。调用格式为：,net,tr,Y,E,Pf,Af=train(NET,P,T,Pi,Ai),其中，,NET：待训练的神经网络；,P：网络的输入信号；,T：网络的目标，默认值为0；,Pi：初始的输入延迟，默认为0；,Ai：初始的层次延迟，默认为0；,net：函数返回值，训练后的神经网络；,tr：函数返回值，训练记录(包括步数和性能)；,Y：函数返回值，神经网络的输出信号；,E：函数返回值，神经网络的误差；,Pf：函数返回值，最终输入延迟；,Af：函数返回值，最终层延迟。,24,神经网络仿真函数,sim,调用格式为：,Y,Pf,Af,E,perf=sim(net,P,Pi,Ai,T),其中，,Y,：函数返回值，网络输出；,Pf,：函数返回值，最终输出延迟；,Af,：函数返回值，最终的层延迟；,E,：函数返回值，网络误差；,perf,：函数返回值，网络性能；,net,：待仿真的神经网络；,P,：网络输入；,Pi,：初始输入延迟，默认为,0,；,Ai,：初始的层延迟，默认为,0,；,T,：网络目标，默认为,0.,25,clear,p1=1.24,1.27;1.36,1.74;1.38,1.64;1.38,1.82;1.38,1.90;,1.40,1.70;1.48,1.82;1.54,1.82;1.56,2.08;,1.28,2.00;1.30,1.96;,p=p1;p2;,pr=minmax(p);,goal=ones(1,9),zeros(1,6);zeros(1,9),ones(1,6);,plot(p1(:,1),p1(:,2),h,p2(:,1),p2(:,2),o),net=newff(pr,3,2,logsig,logsig);,net = train(net,p,goal);,x=1.24 1.80;1.28 1.84;1.40 2.04;,y0=sim(net,p),y=sim(net,x),26,Thanks !,27,谢谢大家！,结 语,28,Thank You !,不尽之处，恳请指正！,