神经网络算法课件

j 1
j0
k 1, 2, ,l
步骤 4：误差计算。根据网络实际输出 与期望输出 ，计 算网络总体误差.
精选课件
11
步骤 5：权值更新。根据网络总体误差 E ，按照以下公式更
新网络连接权值 vij ， wjk .
vij vij vij
wjk wjk wjk
l
vij (
o k
w
jk
)
神经网值函数 线性函数
f
(
x)
1 0
x0 x0
f (x) ax
分段线性函数
0 f (x) cx
1
x0 0 x xc
x xc
非对称 Sigmoid 函数 非对称 Sigmoid 函数
f
(x)
1 1 ex
f
(x)
1 1
e x e x
精选课件
6
1、阶跃函数：f
yj
(1
yj
) xi
wjk
o k
y
j
k 1
其中
o k
(dk
ok
)ok
(1
ok
),
式中 为学习速率。
步骤6：判断算法迭代是否结束（可用网络总误差是否达到 精度要求等方式来判断），若没有结束，返回步骤2.
精选课件
12
BP神经网络的流程图：
精选课件
13
三、BP神经网络Matlab工具箱函数
主要介绍 BP 神经网络用到 newff、train 和 sim 等 3 个主要函 数，各函数解释如下：
j 1
j0
i 1, 2, , m
式中，m 为隐含层节点数；vi0 1, x0 a j ； f (•) 为隐含层传递函数。
这里我们采用传递函数为
f
(x)
1
1 e
x
.
精选课件
10
步骤 3：输出层输出计算。根据隐含层输出Y ，连接权值wjk
和阈值 b ，计算 BP 神经网络的实际输出O .
m
m
Ok f ( wjk x j bk ) f ( wjk x j )
数学建模与数学实验
神经网络
精选课件
1
目的
学习神经网络的基本原理与方法。
内容
1、人工神经元数学模型
2、BP神经网络
3、BP神经网络Matlab工具箱函数
4、BP神经网络应用
精选课件
2
神经网络（Neural Networks）是从微观结构与 功能上对人脑神经系统进行模拟而建立起来的数 学模型，它具有模拟人脑思维的能力，其特点主 要是具有非线性特性、学习能力和自适应性等， 是模拟人类智能的一种重要方法。神经网络是由 神经元互联而成的，能接收并处理信息，而这种 信息处理主要是由神经元之间的相互作用，即通 过神经元之间的连接权值来处理并实现的。神经 网络在人工智能、自动控制、计算机科学、信息 处理和模式识别等领域得到了非常成功地应用。
精选课件
3
一、人工神经元数学模型
生物神经元，也称神经细胞，它是由细胞体、 树突、轴突和突触等生物组织构成的，并通过细胞 膜电位来实现生物神经元的兴奋与抑制、学习与联 想等基本功能，因此，它是构成人脑神经系统的基 本功能单元。其结构如下图所示。
精选课件
4
根据生物神经元的结构与基本功能，可以将其 简化为下图的形式，并建立神经网络模型的基础—— 人工神经元数学模型：
经元（节点）个数为 n ，隐含层神经元（节点）个数为 m ，
输出层神经元（节点）个数为 l ，这种结构称为nml 结构的 三层 BP 神经网络。
精选课件
9
2．BP神经网络学习算法及流程
以三层BP神经网络为例，它的训练过程包括以下几个步骤：
步骤 1：网络初始化。根据输入 X (x1 , x2, , xn) 和期望输出 D (d1 ,d2, , dl ) 来确定网络输入层、隐含层和输出层神经元（节点）个数，初始
(x)
10,,xx00，或符号函数f
(
x)
1, x 1,
x
0
0
2、双曲正切函数：f
(
x)
tanh(
x)
ex ex
e e
x x
3、sigmoid函数（S型）：f
(
x)
1
x
2
x
2
,
x
0
0, x 0
4、高斯函数：f
(
x)
exp
1 2
2 i
n
(xj
i1
x
ji
)
2
精选课件
7
1.BP神经网络结构：
（1）newff——BP 神经网络参数设置函数 函数功能：构建一个 BP 神经网络. 函数形式：
NET=newff(PR,[S1,S2,…,SN],{TF1,TF2,…,TFN},BTF,BLF,PF) PR：为样本数据组成的矩阵，由其中最大值和最小值组成的
R×2 维的矩阵； Si：第 i 层的节点数，共计 N 层； TFi：第 i 层节点的传递函数，包括线性传递函数 purelin；正
切 S 型传递函数 tansig；对数 S 型传递函数 logsig。默认为“tansig”；
精选课件
14
net=newff(PR, [S1,S2,…,SN],{ TF1,TF2,…,TFN}, BTF, BLF, PF)
BTF：训练函数，用于网络权值和阈值的调整，默认基于 Levenberg_Marquardt 共轭梯度法的训练函数 trainlm。其它参 数见后面表格。
n
y j f ( wij xi a j ) i1
其中，y j 表示神经元 j 的输出；xi 表示神经元i 的输入； wij 表示神经元 i 与神经元 j 之间的连接权值；a j 表示神 经元 j 的阈值；f (•) 是输入到输出传递函数（也称激活 函数）.
精选课件
5
下表给出了一些常用的传递函数。除线性传递 函数外，其它的均是非线性的，因此，神经网络特 别适合于解决非线性问题。
化各层神经元之间的连接权值 vij , wjk ，初始化隐含层阈值 a ，输出
层阈值 b ，给定学习速率和神经元传递函数.
步骤 2：隐含层输出计算。根据输入向量 X ，输入层和隐含层间连
接权值vij 以及隐含层阈值 a ，计算隐含层输出.
n
n
yi f ( vij xi a j ) f ( vij xi )
BP神经网络的拓扑结构如图所示。
精选课件
8
其中， xi (i 1, , n) 是神经网络的（实际）输入， yj ( j 1 , , m) 是 隐含层的输出，即为输出层的输入，Ok (k 1 , , l) 网络的（实 际）输出，a,b 分别为隐含层和输出层神经元（节点）的阈 值， vij , wjk 分别为输入层到隐含层和隐含层到输出层的权 值。也就是说，图中所表示的 BP 神经网络，它的输入层神
BLF：网络的学习函数，包含 BP 学习规则 learngd；带动 量项的 BP 学习规则 learngdm。默认为“learngdm”；