异或运算的BP算法解决讲解.docx

PAGE \* MERGEFORMAT12 《智能优化方法》 技术报告 题目：基于BP算法的异或运算的解决 班 级： 信科13-01班 学 号： 姓 名： 张谊坤 任课教师： 姚 睿 目 录 摘 要3 技术路线及实现方法 2.1输入层和输出层神经元数目的选择3 2.2隐层层数和神经元数目选择3 2.3 BP算法学习的四个阶段4 实验结果及分析5 总 结5 参考文献5 附录 附录1：代 码6 附录2：个人工作8 《摘要》 利用BP函数训练计算机使其可以输出满足精度的逻辑异或运算结果。结合本课题的特点和网络训练的思想，通过深入分析选择合适的参数；接着构建BP网络，产生训练样本；选取最优结果作为本文的最终结果，并对输出结果和仿真结果进行分析。 一、问题描述 异或问题本质上是分类问题，要求将输入的样本组分为两类，一类样本经异或运算后结果为1，另一类经异或运算后结果为0。研究表明，BP网络特别是具有单隐层的BP网络具有较强的分类能力，能够解异或问题。? 二、技术路线及实现方法 2.1输入层和输出层神经元数目的选择 输入层神经元个数与输入样本维数相同，本实验输入样本为2维向量，所以输入层包含2个神经元。输出层神经元个数设计可根据设计者的需求设计，由于本文要解决的异或问题是单输出的0或1，所以输出层选择1个神经元。? 2.2隐层层数和神经元数目选择 参考其他专家和学者的经验，了解到含有单隐层的BP网路能很好的解决异或问题。对于隐层神经元数目的选择前人总结出了一些经验规则，本文在借鉴前人经验的基础上，依靠测试得出较适合本课题的隐层神经元数是1至3个。由于隐层神经元越多，网络越复杂，每一步训练的计算量增大，时间增长，经测试发现1至3个隐层神经元都可以达到较高精度，为简化网络，最终确定隐层神经元数为2。 根据以上分析，建立出的BP网络的结构示意图如图2-1所示： A B 0.0579 -0.0291 0.0543 0.0999 P=-0.0703 Q=-0.0939 C=-0.0703 0.0801 0.0605 C 图2-1 BP网络结构示意图 图2-1中，?输入层神经元编号A、B，隐藏层神经元编号P、Q，输出层神经元编号为C?。对异或问题进行非线性划分的BP神经网络采用3层网络结构，其中输入层和隐藏层各有2个处理单元，输出层有一个处理单元。对表2-1中的4个学习模式对轮流提供给网络，按照BP算法进行学习和训练，直至BP神经网络输出的全局误差满足要求为止。学习速率为0.6。首先给BP神经网络的各个连接权值及阈值赋予[-0.1，0.1]之间的随机值（具体如图2-1所示），此时，BP神经网络对应的4个输出模式产生的实际输出均为0.5左右，网络全局误差约为0.5。 表 2-1 学习模式对 输入期望输出实际输出全局误差A B0 000.500 110.50.51 010.501 100.50