BP网络的MATLAB实现案例一.docxVIP

目录

TOC\o1-2\h\z\u引言 1

BP神经网络 1

BP神经网络模型 1

2.2BP神经网络的设计方法 2

用MATLAB神经网络工具箱进行BP网络设计 2

BP网络设计实例 4

问题描述 4

使用MATLAB进行函数逼近仿真实验 4

5.结论 10

参考文献： 10

PAGE

PAGE10

BP网络的MATLAB实现

摘要：本文介绍了BP神经网络及利用MATLAB神经网络工具箱构造BP网络的方法，阐述了构造神经网络的基本步骤，给出了具体应用实例，构造了一个典型的三层结构的神经网络，实现了具有函数逼近功能的BP网络设计。

关键词：BP神经网络MATLAB仿真函数逼近

引言

误差反向传播网络（BackPropagationNet-work，简称BP网络）是目前人工神经网络模式中最具代表性，应用最广泛的一种模型，具有自学习、自组织、自适应和很强的非线性映射能力，可以以任意精度逼近任何连续函数。近年来，为了解决BP网络收敛速度慢，训练时间长等不足，提出了很多改进算法,然而，在针对实际问题的BP网络建模过程中，选择多少层网络，每层多少个神经元节点，选择何种传递函数等，均无可行的理论指导，只能通过大量的实验计算获得。MATLAB中的神经网络工具箱（NeuralNetworkToolbox，简称NNbox），为解决这一问题提供了便利的条件，神经网络工具箱功能十分完善，提供了各种MATLAB函数，包括神经网络的建立、初始化、训练和仿真等函数，以及各种改进训练算法函数，用户可以很方便地进行神经网络的设计和仿真，也可以在MATLAB源文件的基础上进行适当修改，形成自己的工具包满足实际需求。

BP神经网络

BP神经网络模型

从结构上讲，BP网络是一种分层型网络，由输入层。隐含层和输出层组成。层与层之间采用全互连方式，同一层的单元之间则不存在相互连接。隐层可以有一个或多个。1989年，RobertHecht-Nielson证明了一个三层的BP网络可以完成任意的n维到m维的映射。隐层中的神经元均采用S型转换函数。输出层的神经元可以采用S型函数，此时输出被限制在一个很小的范围内，也可采用线性变换函数，此时网络输出则可以在一个很大的范围内变化。

如下图所示，为一个典型的三层神经网络结构，其具有一个隐层。从图中可

以看出，在BP网络中有有两种信号在流通：一种是工作信号（用实线表示），它是施加输入信号后向前传播直到在输出端产生实际输出的信号，是输入和权值的函数。另一种是误差信号（用虚线表示），网络实际输出与期望输出间的差值即为误差，它由输出端开始逐层向后传播。BP网络的学习过程由前向计算过程和误差反向传播过程组成，在前向计算过程中，输入量从输入层经隐层逐层计算，并穿向输出层，每层神经元的状态只影响下一层神经元的状态。如输出层不能得

到期望的输出，则转入误差反向传播过程，误差信号沿原来的连接通路返回，逐次调整网络各层的权值和阈值，直至到达输入层，再重复前向计算，这两个过程依次反复进行，不断调整各层的权值和阈值，使得网络误差最小或达到人们所期望的要求时，学习过程结束。

反向传播输入量

反向传播

输入量

输出量

输入层 隐含层 输出层

输入层

隐含层

输出层

2.2BP神经网络的设计方法

BP神经网络的设计主要包含输入层、隐含层、输出层节点数和各个层之间的传输函数这几个方面的设计。

1、输入层和输出层的设计：输入层和输出层节点数是由具体应用要求决定的。输入层的节点数也就是我们要训练的样本维数，输出节点数也是由我们具体问题来确定。

2、隐含层节点数的设计：隐含层节点数影响着神经网络的性能。隐含层节

点数还与输入层和输出层的节点数多少都有着直接的联系。如何选择隐含层的节点数是一个比较复杂的问题，隐含层的节点数太多会导致学习时间过长；而隐含层节点数太少，则容错性差，识别未经学习样本能力低，往往需要我们多次的训练或者以前的经验来判定隐含层的节点数。

n?nio根据以前的经验我们可以参照下面的公式进行设定：n?

n?n

i

o

是隐层节点数；ni是输入层节点数；no是输出层节点数；a为1—10之间的常数。根据实际的需要来确定a的值。

用MATLAB神经网络工具箱进行BP 网络设计

MATLAB作为国际公认最优秀的数学应用软件，它集数值分析、矩阵分析、

信号处理和图形显示于一体，构成了一个方便的、界面友好的用户环境，它相继推出的工具箱为各领域的研究提供了有力的工具，借助于它们，我们可以直观、方便地进行分析、计算及仿真工作。神经网络工具箱是M