BP神經(jīng)網(wǎng)絡在分類與預測中的應用ppt課件

《BP神經(jīng)網(wǎng)絡在分類與預測中的應用ppt課件》由會員分享，可在線閱讀，更多相關《BP神經(jīng)網(wǎng)絡在分類與預測中的應用ppt課件（86頁珍藏版）》請在裝配圖網(wǎng)上搜索。

1,一、 BP神經(jīng)網(wǎng)絡 二、 徽章的分類 三、光催化臭氧氧化處理自來水,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,2,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,一、 BP神經(jīng)網(wǎng)絡,1.1 神經(jīng)網(wǎng)絡(Artificial Neural Netwroks,簡稱ANN),1.1.1 研究ANN目的,利用機器模仿人類的智能是長期以來人們認識自然、改造自然和認識自身的理想。,(1) 探索和模擬人的感覺、思維和行為的規(guī)律，設計具有人類智能的計算機系統(tǒng)。(2) 探討人腦的智能活動，用物化了的智能來考察和研究人腦智能的物質過程及其規(guī)律。,3,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,一、 BP神經(jīng)網(wǎng)絡,1.1 神經(jīng)網(wǎng)絡(Artificial Neural Netwroks,簡稱ANN),1.1.1 研究ANN目的,1.1.2 研究ANN方法,(1) 生理結構的模擬,用仿生學觀點，探索人腦的生理結構，把對人腦的微觀結構及其智能行為的研究結合起來即人工神經(jīng)網(wǎng)絡（Artificial Neural Netwroks，簡稱ANN）方法。,4,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,一、 BP神經(jīng)網(wǎng)絡,1.1 神經(jīng)網(wǎng)絡(Artificial Neural Netwroks,簡稱ANN),1.1.1 研究ANN目的,1.1.2 研究ANN方法,(1) 生理結構的模擬,(2) 宏觀功能的模擬,從人的思維活動和智能行為的心理學特性出發(fā)，利用計算機系統(tǒng)來對人腦智能進行宏觀功能的模擬，即符號處理方法。,5,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,一、 BP神經(jīng)網(wǎng)絡,1.1 神經(jīng)網(wǎng)絡(Artificial Neural Netwroks,簡稱ANN),1.1.1 研究ANN目的,1.1.2 研究ANN方法,1.1.3 ANN的研究內容,(1) 理論研究,ANN模型及其學習算法，試圖從數(shù)學上描述ANN的動力學過程，建立相應的ANN模型，在該模型的基礎上，對于給定的學習樣本，找出一種能以較快的速度和較高的精度調整神經(jīng)元間互連權值，使系統(tǒng)達到穩(wěn)定狀態(tài)，滿足學習要求的算法。,6,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,一、 BP神經(jīng)網(wǎng)絡,1.1 神經(jīng)網(wǎng)絡(Artificial Neural Netwroks,簡稱ANN),1.1.1 研究ANN目的,1.1.2 研究ANN方法,1.1.3 ANN的研究內容,(1) 理論研究,(2) 實現(xiàn)技術的研究,探討利用電子、光學、生物等技術實現(xiàn)神經(jīng)計算機的途徑。,7,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,一、 BP神經(jīng)網(wǎng)絡,1.1 神經(jīng)網(wǎng)絡(Artificial Neural Netwroks,簡稱ANN),1.1.1 研究ANN目的,1.1.2 研究ANN方法,1.1.3 ANN的研究內容,(1) 理論研究,(2) 實現(xiàn)技術的研究,(3) 應用的研究,探討如何應用ANN解決實際問題，如模式識別、故障檢測、智能機器人等。,8,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,一、 BP神經(jīng)網(wǎng)絡,1.1 神經(jīng)網(wǎng)絡(Artificial Neural Netwroks,簡稱ANN),1.1.1 研究ANN目的,1.1.2 研究ANN方法,1.1.3 ANN的研究內容,1.1.4 人工神經(jīng)網(wǎng)絡概述,人工神經(jīng)網(wǎng)絡是由具有適應性簡單的單元組成的廣泛并行互連的網(wǎng)絡，它的組織能夠模擬生物神經(jīng)系統(tǒng)對真實物體所作出的交互作用。,9,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,一、 BP神經(jīng)網(wǎng)絡,1.1 神經(jīng)網(wǎng)絡(Artificial Neural Netwroks,簡稱ANN),1.1.1 研究ANN目的,1.1.2 研究ANN方法,1.1.3 ANN的研究內容,1.1.4 人工神經(jīng)網(wǎng)絡概述,1.1.5 腦神經(jīng)信息活動的特征,(1) 巨量并行性 (2) 信息處理和存儲單元的有機結合 (3) 自組織自學習功能,10,1.1.6 ANN研究的目的和意義,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,一、 BP神經(jīng)網(wǎng)絡,1.1 神經(jīng)網(wǎng)絡(Artificial Neural Netwroks,簡稱ANN),1.1.1 研究ANN目的,1.1.2 研究ANN方法,1.1.3 ANN的研究內容,1.1.4 人工神經(jīng)網(wǎng)絡概述,1.1.5 腦神經(jīng)信息活動的特征,(1) 通過揭示物理平面與認知平面之間的映射,了解它們相互聯(lián)系和相互作用的機理,揭示思維的本質，探索智能的本源。,11,1.1.6 ANN研究的目的和意義,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,一、 BP神經(jīng)網(wǎng)絡,1.1 神經(jīng)網(wǎng)絡(Artificial Neural Netwroks,簡稱ANN),1.1.1 研究ANN目的,1.1.2 研究ANN方法,1.1.3 ANN的研究內容,1.1.4 人工神經(jīng)網(wǎng)絡概述,1.1.5 腦神經(jīng)信息活動的特征,(2) 爭取構造出盡可能與人腦具有相似功能的計算機，即ANN計算機。,12,1.1.6 ANN研究的目的和意義,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,一、 BP神經(jīng)網(wǎng)絡,1.1 神經(jīng)網(wǎng)絡(Artificial Neural Netwroks,簡稱ANN),1.1.1 研究ANN目的,1.1.2 研究ANN方法,1.1.3 ANN的研究內容,1.1.4 人工神經(jīng)網(wǎng)絡概述,1.1.5 腦神經(jīng)信息活動的特征,(3) 研究仿照腦神經(jīng)系統(tǒng)的人工神經(jīng)網(wǎng)絡,將在模式識別、組合優(yōu)化和決策判斷等方面取得傳統(tǒng)計算機所難以達到的效果。,13,1.1.6 ANN研究的目的和意義,1.1.7 神經(jīng)網(wǎng)絡研究的發(fā)展,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,一、 BP神經(jīng)網(wǎng)絡,1.1 神經(jīng)網(wǎng)絡(Artificial Neural Netwroks,簡稱ANN),1.1.1 研究ANN目的,1.1.2 研究ANN方法,1.1.3 ANN的研究內容,1.1.4 人工神經(jīng)網(wǎng)絡概述,1.1.5 腦神經(jīng)信息活動的特征,(1) 第一次熱潮(40-60年代未) 1943年，美國心理學家W.McCulloch和數(shù)學家W. Pitts在提出了一個簡單的神經(jīng)元模型,即MP模型.1958年，F(xiàn).Rosenblatt等研制出了感知機(Perceptron）。,14,1.1.6 ANN研究的目的和意義,1.1.7 神經(jīng)網(wǎng)絡研究的發(fā)展,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,一、 BP神經(jīng)網(wǎng)絡,1.1 神經(jīng)網(wǎng)絡(Artificial Neural Netwroks,簡稱ANN),1.1.1 研究ANN目的,1.1.2 研究ANN方法,1.1.3 ANN的研究內容,1.1.4 人工神經(jīng)網(wǎng)絡概述,1.1.5 腦神經(jīng)信息活動的特征,(2) 低潮(70-80年代初)(3) 第二次熱潮1982年，美國物理學家J.J.Hopfield提出Hopfield模型，它是一個互聯(lián)的非線性動力學網(wǎng)絡， 他解決問題的方法是一種反復運算的動態(tài)過程,這是符號邏輯處理方法所不具備的性質。1987年首屆國際ANN大會在圣地亞哥召開,國際ANN聯(lián)合會成立，創(chuàng)辦了多種ANN國際刊物。,15,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,一、 BP神經(jīng)網(wǎng)絡,1.1 神經(jīng)網(wǎng)絡(Artificial Neural Netwroks,簡稱ANN),1.1.8 神經(jīng)網(wǎng)絡基本模型,,16,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,一、 BP神經(jīng)網(wǎng)絡,1.1.9 人工神經(jīng)網(wǎng)絡研究的局限性,1.1 神經(jīng)網(wǎng)絡(Artificial Neural Netwroks,簡稱ANN),1.1.8 神經(jīng)網(wǎng)絡基本模型,（1）ANN研究受到腦科學研究成果的限制 （2）ANN缺少一個完整、成熟的理論體系 （3）ANN研究帶有濃厚的策略和經(jīng)驗色彩 （4）ANN與傳統(tǒng)技術的接口不成熟,17,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,一、 BP神經(jīng)網(wǎng)絡,1.1.9 人工神經(jīng)網(wǎng)絡研究的局限性,1.1 神經(jīng)網(wǎng)絡(Artificial Neural Netwroks,簡稱ANN),1.1.8 神經(jīng)網(wǎng)絡基本模型,18,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,一、 BP神經(jīng)網(wǎng)絡,1.1.9 人工神經(jīng)網(wǎng)絡研究的局限性,1.1 神經(jīng)網(wǎng)絡(Artificial Neural Netwroks,簡稱ANN),1.1.8 神經(jīng)網(wǎng)絡基本模型,一般而言, ANN與經(jīng)典計算方法相比并非優(yōu)越, 只有當常規(guī)方法解決不了或效果不佳時ANN方法才能顯示出其優(yōu)越性 . 尤其對問題的機理不甚了解或不能用數(shù)學模型表示的系統(tǒng),如故障診斷,特征提取和預測等問題,ANN往往是最有利的工具.另一方面, ANN對處理大量原始數(shù)據(jù)而不能用規(guī)則或公式描述的問題, 表現(xiàn)出極大的靈活性和自適應性。,19,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,一、 BP神經(jīng)網(wǎng)絡,1.1 神經(jīng)網(wǎng)絡(Artificial Neural Netwroks,簡稱ANN),1.2 BP神經(jīng)網(wǎng)絡,人工神經(jīng)網(wǎng)絡以其具有自學習、自組織、較好的容錯性和優(yōu)良的非線性逼近能力，受到眾多領域學者的關注。在實際應用中，80%～90%的人工神經(jīng)網(wǎng)絡模型是采用誤差反傳算法或其變化形式的網(wǎng)絡模型(簡稱BP網(wǎng)絡),目前主要應用于函數(shù)逼近、模式識別、分類和數(shù)據(jù)壓縮或數(shù)據(jù)挖掘。,20,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,一、 BP神經(jīng)網(wǎng)絡,1.1 神經(jīng)網(wǎng)絡(Artificial Neural Netwroks,簡稱ANN),1.2 BP神經(jīng)網(wǎng)絡,Rumelhart，Mc Clelland于1985年提出了BP網(wǎng)絡的誤差反向后傳BP(Back Propagation)學習算法,1.2.1 BP神經(jīng)網(wǎng)絡概述,21,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,一、 BP神經(jīng)網(wǎng)絡,1.1 神經(jīng)網(wǎng)絡(Artificial Neural Netwroks,簡稱ANN),1.2 BP神經(jīng)網(wǎng)絡,BP算法基本原理 利用輸出后的誤差來估計輸出層的直接前導層的誤差，再用這個誤差估計更前一層的誤差，如此一層一層的反傳下去，就獲得了所有其他各層的誤差估計。,1.2.1 BP神經(jīng)網(wǎng)絡概述,22,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,一、 BP神經(jīng)網(wǎng)絡,1.1 神經(jīng)網(wǎng)絡(Artificial Neural Netwroks,簡稱ANN),1.2 BP神經(jīng)網(wǎng)絡,1.2.1 BP神經(jīng)網(wǎng)絡概述,1.2.2 BP神經(jīng)網(wǎng)絡特點,神經(jīng)網(wǎng)絡能以任意精度逼近任何非線性連續(xù)函數(shù)。在建模過程中的許多問題正是具有高度的非線性。,(1)非線性映射能力,23,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,一、 BP神經(jīng)網(wǎng)絡,1.1 神經(jīng)網(wǎng)絡(Artificial Neural Netwroks,簡稱ANN),1.2 BP神經(jīng)網(wǎng)絡,1.2.1 BP神經(jīng)網(wǎng)絡概述,1.2.2 BP神經(jīng)網(wǎng)絡特點,在神經(jīng)網(wǎng)絡中信息是分布儲存和并行處理的，這使它具有很強的容錯性和很快的處理速度。,(2)并行分布處理方式,(1)非線性映射能力,24,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,一、 BP神經(jīng)網(wǎng)絡,1.1 神經(jīng)網(wǎng)絡(Artificial Neural Netwroks,簡稱ANN),1.2 BP神經(jīng)網(wǎng)絡,1.2.1 BP神經(jīng)網(wǎng)絡概述,1.2.2 BP神經(jīng)網(wǎng)絡特點,神經(jīng)網(wǎng)絡在訓練時，能從輸入、輸出的數(shù)據(jù)中提取出規(guī)律性的知識，記憶于網(wǎng)絡的權值中，并具有泛化能力，即將這組權值應用于一般情形的能力。神經(jīng)網(wǎng)絡的學習也可以在線進行。,(2)并行分布處理方式,(3)自學習和自適應能力,(1)非線性映射能力,25,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,一、 BP神經(jīng)網(wǎng)絡,1.1 神經(jīng)網(wǎng)絡(Artificial Neural Netwroks,簡稱ANN),1.2 BP神經(jīng)網(wǎng)絡,1.2.1 BP神經(jīng)網(wǎng)絡概述,1.2.2 BP神經(jīng)網(wǎng)絡特點,神經(jīng)網(wǎng)絡可以同時處理定量信息和定性信息，因此它可以利用傳統(tǒng)的工程技術（數(shù)值運算）和人工智能技術（符號處理）,(2)并行分布處理方式,(3)自學習和自適應能力,(4)數(shù)據(jù)融合的能力,(1)非線性映射能力,26,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,一、 BP神經(jīng)網(wǎng)絡,1.1 神經(jīng)網(wǎng)絡(Artificial Neural Netwroks,簡稱ANN),1.2 BP神經(jīng)網(wǎng)絡,1.2.1 BP神經(jīng)網(wǎng)絡概述,1.2.2 BP神經(jīng)網(wǎng)絡特點,(2)并行分布處理方式,(3)自學習和自適應能力,神經(jīng)網(wǎng)絡的輸入和輸出變量的數(shù)目是任意的，對單變量系統(tǒng)與多變量系統(tǒng)提供了一種通用的描述方式,不必考慮各子系統(tǒng)間的解耦問題。,(4)數(shù)據(jù)融合的能力,(5)多變量系統(tǒng),(1)非線性映射能力,27,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,一、 BP神經(jīng)網(wǎng)絡,1.1 神經(jīng)網(wǎng)絡(Artificial Neural Netwroks,簡稱ANN),1.2 BP神經(jīng)網(wǎng)絡,1.2.1 BP神經(jīng)網(wǎng)絡概述,1.2.2 BP神經(jīng)網(wǎng)絡特點,1.2.3 BP神經(jīng)網(wǎng)絡模型,28,1.2.3 BP神經(jīng)網(wǎng)絡模型,29,(1) 激活函數(shù)(傳輸函數(shù)）必須處處可導 一般都使用S型函數(shù),,,Sigmoid函數(shù),對數(shù)Sigmoid函數(shù),1.2.3 BP神經(jīng)網(wǎng)絡模型,30,(2)使用S型激活函數(shù)時BP網(wǎng)絡輸入與輸出關系,,,1.2.3 BP神經(jīng)網(wǎng)絡模型,輸入,輸出,31,,,(2)使用S型激活函數(shù)時BP網(wǎng)絡輸入與輸出關系,,,1.2.3 BP神經(jīng)網(wǎng)絡模型,輸出的導數(shù),根據(jù)S型激活函數(shù)的圖形可知,對神經(jīng)網(wǎng)絡進行訓練，應該將net的值盡量控制在收斂比較快的范圍內.,輸入,輸出,32,1.2.4 BP神經(jīng)網(wǎng)絡的標準學習算法,33,1.2.4 BP網(wǎng)絡的標準學習算法,(1) 學習的過程 在外界輸入樣本的刺激下，不斷改變網(wǎng)絡連接的權值，以使網(wǎng)絡的輸出不斷地接近期望的輸出。 (2) 學習的本質對各連接權值的動態(tài)調整 (3) 學習規(guī)則 權值調整規(guī)則，即在學習過程中網(wǎng)絡各神經(jīng)元的連接權值變化所依據(jù)的一定調整規(guī)則。,34,1.2.4 BP網(wǎng)絡的標準學習算法,將誤差分攤給各層的所有單元-----各層單元的誤差信號,修正各單元權值,,,(4) 算法思想A. 學習的類型 有導師學習B. 核心思想 將輸出誤差以某種形式通過隱層向輸入層逐層反傳,35,A. 正向傳播輸入樣本－－－輸入層－－－各隱層－－－輸出層B. 判斷是否轉入反向傳播階段若輸出層的實際輸出與期望的輸出（教師信號）不符.C. 誤差反傳誤差以某種形式在各層表示－－－－修正各層單元的權值.D. 網(wǎng)絡輸出的誤差減少到可接受的程度進行到預先設定的學習次數(shù)為止,,,,1.2.4 BP網(wǎng)絡的標準學習算法,(5) 算法核心,36,(6) 網(wǎng)絡結構輸入層有n個神經(jīng)元，隱含層有p個神經(jīng)元, 輸出層有q個神經(jīng)元 (7) 變量定義,1.2.4 BP網(wǎng)絡的標準學習算法,輸入向量,隱含層輸入向量,隱含層輸出向量,輸出層輸入向量,輸出層輸出向量,37,,,,,,,,1.2.4 BP網(wǎng)絡的標準學習算法,38,(8) 算法步驟,1.2.4 BP網(wǎng)絡的標準學習算法,第一步，網(wǎng)絡初始化 給各連接權值分別賦一個區(qū)間(-1，1)內的隨機數(shù),設定誤差函數(shù)e，給定計算精度值?和最大學習次數(shù)M。,第二步，隨機選取第k個輸入樣本及對應期望輸出,39,(8) 算法步驟,1.2.4 BP網(wǎng)絡的標準學習算法,第三步，計算隱含層各神經(jīng)元的輸入和輸出,40,(8) 算法步驟,1.2.4 BP網(wǎng)絡的標準學習算法,第四步，利用網(wǎng)絡期望輸出和實際輸出，計算誤差函數(shù)對輸出層的各神經(jīng)元的偏導數(shù) 。,41,第五步， 利用隱含層到輸出層的連接權值、 輸出層的 和隱含層的輸出計算誤差函數(shù)對隱含層各神經(jīng)元的偏導數(shù) 。,(8) 算法步驟,1.2.4 BP網(wǎng)絡的標準學習算法,42,(8) 算法步驟,1.2.4 BP網(wǎng)絡的標準學習算法,43,第六步，利用輸出層各神經(jīng)元的 和隱含層各神經(jīng)元的輸出來修正連接權值 。,(8) 算法步驟,1.2.4 BP網(wǎng)絡的標準學習算法,44,第七步，利用隱含層各神經(jīng)元的 和輸入層各神經(jīng)元的輸入修正連接權。,(8) 算法步驟,1.2.4 BP網(wǎng)絡的標準學習算法,45,第八步，計算全局誤差第九步，判斷網(wǎng)絡誤差是否滿足要求。當誤差達到預設精度或學習次數(shù)大于設定的最大次數(shù)，則結束算法。否則，選取下一個學習樣本及對應的期望輸出，返回到第三步，進入下一輪學習。,(8) 算法步驟,1.2.4 BP網(wǎng)絡的標準學習算法,46,1.2.4 BP網(wǎng)絡的標準學習算法,情況一直觀表達當誤差對權值的偏導數(shù)大于零時，權值調整量為負,實際輸出大于期望輸出，權值向減少方向調整，使得實際輸出與期望輸出的差減少。,(9) BP算法直觀解釋,47,(9) BP算法直觀解釋,1.2.4 BP網(wǎng)絡的標準學習算法,情況二直觀表達誤差對權值的偏導數(shù)小于零時，權值調整量為正，實際輸出少于期望輸出，權值向增大方向調整，使得實際輸出與期望輸出的差減少,48,1.2.5 BP神經(jīng)網(wǎng)絡的學習算法的MATLAB實現(xiàn),49,1.2.4 BP網(wǎng)絡學習算法的MATLAB實現(xiàn),(1) MATLAB中BP神經(jīng)網(wǎng)絡的重要函數(shù)和基本功能,50,1.2.4 BP網(wǎng)絡學習算法的MATLAB實現(xiàn),newff( ) 功能 建立一個前向BP網(wǎng)絡 格式 net = newff(PR，[S1 S2.SN1]，{TF1 TF2.TFN1}，BTF，BLF，PF) 說明 net為創(chuàng)建的新BP神經(jīng)網(wǎng)絡；PR為網(wǎng)絡輸入向量的取值范圍的矩陣；[S1 S2…SNl]表示網(wǎng)絡隱含層和輸出層神經(jīng)元的個數(shù)； {TFl TF2…TFN1} 表示網(wǎng)絡隱含層和輸出層的傳輸函數(shù)， 默認為‘tansig’；BTF表示網(wǎng)絡的訓練函數(shù)，默認為‘trainlm’;BLF表示網(wǎng)絡的權值學習函數(shù), 默認為‘learngdm’；PF表示性能數(shù)，默認為‘mse’。,(1) MATLAB中BP神經(jīng)網(wǎng)絡的重要函數(shù)和基本功能,51,tansig( ) 功能 正切sigmoid激活函數(shù) 格式 a = tansig(n) 說明 雙曲正切Sigmoid函數(shù)把神經(jīng)元的輸入范圍從(-∞，+∞)映射到(-1，1)。它是可導函數(shù)，適用于BP訓練的神經(jīng)元。 logsig( ) 功能 對數(shù)Sigmoid激活函數(shù) 格式 a = logsig(n) 說明 對數(shù)Sigmoid函數(shù)把神經(jīng)元的輸入范圍從(-∞，+∞)映射到(0，1)。它是可導函數(shù)，適用于BP訓練的神經(jīng)元。,1.2.4 BP網(wǎng)絡學習算法的MATLAB實現(xiàn),(1) MATLAB中BP神經(jīng)網(wǎng)絡的重要函數(shù)和基本功能,52,net.trainParam.epochs：最大訓練步數(shù)。不過當誤差準則滿足時，即使沒達到此步數(shù)也停止訓練。缺省為100。 net.trainParam.goad：網(wǎng)絡誤差準則，當誤差小于此準則時停止訓練，缺省為0。 net.trainFcn：訓練算法。缺省為 ’trainlm’，即Levenberg-Marquardt算法。還可使用‘traingdx’，即帶動量的梯度下降算法；’traincgf’，即共軛梯度法。 其它可看matlab幫助:help-contents- Neural Network Toobox- Network Object Reference; help(net.trainFcn),1.2.4 BP網(wǎng)絡學習算法的MATLAB實現(xiàn),(1) MATLAB中BP神經(jīng)網(wǎng)絡的重要函數(shù)和基本功能,53,1.2.4 BP網(wǎng)絡學習算法的MATLAB實現(xiàn),(1) MATLAB中BP神經(jīng)網(wǎng)絡的重要函數(shù)和基本功能,54,例 下表為某藥品的銷售情況，,1.2.4 BP網(wǎng)絡學習算法的MATLAB實現(xiàn),(2) 實例,現(xiàn)構建一個如下的三層BP神經(jīng)網(wǎng)絡對藥品的銷售進行預測：輸入層有三個結點,隱含層結點數(shù)為5，隱含層的激活函數(shù)為tansig；輸出層結點數(shù)為1個,輸出層的激活函數(shù)為logsig,并利用此網(wǎng)絡對藥品的銷售量進行預測,預測方法采用滾動預測方式,即用前三個月的銷售量來預測第四個月的銷售量,如用1、2、3月的銷售量為輸入預測第4個月的銷售量,用2、3、4月的銷售量為輸入預測第5個月的銷售量.如此反復直至滿足預測精度要求為止。,55,%以每三個月的銷售量經(jīng)歸一化處理后作為輸入 P=[0.5152 0.8173 1.0000 ; 0.8173 1.0000 0.7308;1.0000 0.7308 0.1390; 0.7308 0.1390 0.1087;0.1390 0.1087 0.3520; 0.1087 0.3520 0.1065; ?]'; %以第四個月的銷售量歸一化處理后作為目標向量 T=[0.7308 0.1390 0.1087 0.3520 0.1065 0.3761]; %創(chuàng)建一個BP神經(jīng)網(wǎng)絡，每一個輸入向量的取值范圍為[0 ,1],隱含層有5個神經(jīng)%元，輸出層有一個神經(jīng)元，隱含層的激活函數(shù)為tansig，輸出層的激活函數(shù)為%logsig，訓練函數(shù)為梯度下降函數(shù). net=newff([0 1;0 1;0 1],[5,1],{'tansig','logsig'},'traingd'); net.trainParam.epochs=15000; net.trainParam.goal=0.01; %設置學習速率為0.1 LP.lr=0.1; net=train(net,P,T);,1.2.4 BP網(wǎng)絡學習算法的MATLAB實現(xiàn),(2) 實例,56,1.2.4 BP網(wǎng)絡學習算法的MATLAB實現(xiàn),BP網(wǎng)絡應用于藥品預測對比圖,(2) 實例,由對比圖可以看出預測效果與實際存在一定誤差，此誤差可以通過增加運行步數(shù)和提高預設誤差精度使其進一步縮小,57,徽章問題是一個典型的分類問題。我們可以用一個具體的例子描述：在某個國際會議上，參加會議的280名代表每人收到會議組織者發(fā)給一枚徽章，徽章的標記為“＋”或“－”。會議的組織者聲明：每位代表得到徽章“＋”或“－”的標記只與他們的姓名有關，并希望代表們能夠找出徽章“＋”與“－”的分類方法。由于客觀原因，有14名代表沒能參加此次會議。按照代表們找出的方法判斷，如果他們參加會議將得到的徽章類型。,徽章問題的背景,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,二、徽章的分類,58,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,徽章問題的背景,二、徽章的分類,59,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,徽章問題的背景,二、徽章的分類,60,14名未參加會議的代表,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,徽章問題的背景,二、徽章的分類,61,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,徽章問題的背景,二、徽章的分類,14名未參加會議的代表,62,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,63,模型一,我們先做第一種嘗試，將人名的前五個字母進行編號，a ~ z 分別對應 0 ~ 25，即每個人名的特征值是一個長度為5的一維列向量,總共280個人名就是個5*280的矩陣p，作為網(wǎng)絡輸入。將題目中的徽章問題量化，假設徽章為＋則為1, 徽章為－則為0, 就形成一個1*280的矩陣t，作為目標輸出。,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,將這些特征值作為訓練樣本, 通過Matlab的工具箱對BP分類算法進行訓練，并確定權值，具體程序，注釋及結果如下：,64,模型一,BP神經(jīng)網(wǎng)絡在分類與預測中的應用, net=newff([0 25;0 25;0 25;0 25;0 25],[100,1],{'logsig','purelin'},'trainlm'); //創(chuàng)建一個神經(jīng)網(wǎng)絡，每個字母所對應的量化值的輸入范圍0～25，神經(jīng)網(wǎng)絡有2層，第一層有100個神經(jīng)元，第二層1個，傳遞函數(shù)分別是S型和線性，訓練方式trainlm。 net=init(net); //初始化神經(jīng)網(wǎng)絡 net.trainParam.min_grad= 1e-020; //設定最小梯度值，提高訓練效果 net=train(net,p,t); TRAINLM, Epoch 0/100, MSE 4.78695/0, Gradient 4628.35/1e-020 TRAINLM, Epoch 25/100, MSE 0.000969475/0, Gradient 4.93588/1e-020 TRAINLM, Epoch 50/100, MSE 6.16266e-005/0, Gradient 4.48141/1e-020 TRAINLM, Epoch 72/100, MSE 4.00219e-031/0, Gradient 1.53435e-013/1e-020 TRAINLM, Maximum MU reached, performance goal was not met.,65,模型一,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,訓練次數(shù)與訓練精度的關系圖,66,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,將用于訓練的輸入數(shù)據(jù)p代入訓練后的神經(jīng)網(wǎng)絡，輸出結果為a矩陣,模型一,a=sim(net,p) a =Columns 1 through 9 1.0000 0.0000 1.0000 1.0000 0.0000 1.0000 -0.0000 1.0000 1.0000Columns 10 through 18 1.0000 1.0000 1.0000 1.0000 1.0000 -0.0000 1.0000 -0.0000 1.0000（后面數(shù)據(jù)略）,將它和用于訓練的目標輸出矩陣t對比可以看出，吻合得很好,67,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,模型一,a=sim(net,n) a =Columns 1 through 8 1.3889 0.8504 1.0000 0.9551 -0.0006 -0.0515 1.0000 -0.7714Columns 9 through 14 1.0776 0.9977 2.0655 0.4673 0.4794 1.0000,將14個待分類的人名的前五個字母編碼輸入神經(jīng)網(wǎng)絡，得到的結果如下：,可以看到,這個結果不是很好, 由很多介于0和1之間的數(shù)字,從這里的分析可以看出,選取字母的編碼作為特征值是合理的，但需要對特征值的選取方案進行細化。,68,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,模型二,對所給出的280個人名取特征值,我們將人名的第一個字母的進行編號，a ~ z分別對應 0 ~ 25，并將這些特征值帶入到BP網(wǎng)絡中去進行訓練，具體程序如下：,69, net=newff([0 25],[100,1],{'logsig','purelin'},'trainlm'); net=train(net,p,t); TRAINLM, Epoch 0/100, MSE 36.4541/0, Gradient 10111.3/1e-010 TRAINLM, Epoch 6/100, MSE 0.115783/0, Gradient 7.80296e-013/1e-010 TRAINLM, Minimum gradient reached, performance goal was not met. net.trainParam.min_grad= 1e-020; net=train(net,p,t); TRAINLM, Epoch 0/100, MSE 0.115783/0, Gradient 7.80296e-013/1e-020 TRAINLM, Epoch 3/100, MSE 0.115783/0, Gradient 1.18794e-012/1e-020 TRAINLM, Maximum MU reached, performance goal was not met.,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,模型二,從訓練情況可以看出，在誤差值比較大的時候訓練就停止了，將輸入p帶入訓練后的矩陣，發(fā)現(xiàn)輸出結果與t很不一致，說明這里找不到分類的規(guī)律。,70,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,模型三,對所給出的280個人名取特征值,我們將人名的第二個字母的進行編號，a ~ z分別對應 0 ~ 25，并將這些特征值帶入到BP網(wǎng)絡中去進行訓練，具體程序如下：,71,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,模型三, net=newff([0 25],[100,1],{'logsig','purelin'},'trainlm'); net=init(net); net.trainParam.epochs = 100; net.trainParam.min_grad= 1e-020; net=train(net,p,t); TRAINLM, Epoch 0/100, MSE 1.33712/0, Gradient 889.071/1e-020 TRAINLM, Epoch 7/100, MSE 0.00352734/0, Gradient 2.11219e-012/1e-020 TRAINLM, Maximum MU reached, performance goal was not met. a=sim(net,p),訓練后的BP神經(jīng)網(wǎng)絡,輸入?yún)⒓佑柧毜臄?shù)據(jù)p,驗證數(shù)據(jù)，可以看出，和所給人名所對應的徽章滿足的很好，所得到的數(shù)據(jù)如下：,72,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,模型三,a =Columns 1 through 8 0.9877 0.0000 0.9877 0.9877 -0.0000 0.9877 0.0000 1.0000Columns 9 through 16 0.9877 0.9877 0.9877 1.0000 1.0000 1.0000 -0.0000 1.0000,訓練次數(shù)和訓練精度的關系,收斂的速度相當之快,73,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,模型三,對于待分類的人名，先將其做同樣的量化，如下： n=[4 4 8 8 4 14 0 19 0 0 0 8 4 14 ]; a=sim(net,n) 用已訓練完的BP神經(jīng)網(wǎng)絡對其進行分類，得到的結果如下： a =Columns 1 through 8 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9877 0.0000Columns 9 through 14 0.9877 0.9877 0.9877 1.0000 1.0000 1.0000 可以看出，也是呈0-1的分布，和分類的要求比較接近。,74,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,分類方法的確定,通過模型一,模型二和模型三的比較，我們可以看出模型三的特征值的取法所得的BP算法對于所給的 280 個數(shù)據(jù)的正確率為100％, 并且對于14 個待分類的人名計算得到的特征值從數(shù)據(jù)本身看來非0即1,可見模型三所對應的分類方法有可能是可行的，即我們可以通過對名字的第二個字母的某種標準進行分類。我們通過對第二個字母的多種分類方法進行嘗試,得到通過第二個字母的元輔音進行分類,即第二個字母是元音為＋,為輔音為－,并對280個所給人名進行分類,結果與所給分類方式一致，可見這就是我們要找的分類方法。,75,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,分類方法的確定,用這種分類方法對14個待分類人名進行分類得到的結果如下： 1 1 1 1 1 1 1 0 1 1 1 1 1 1 將這個分類結果與上面我們通過Matlab用BP算法得出的分類結果一致, 這再一次證明我們所找到的分類方法就是最好的分類方法。,76,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,三、光催化臭氧氧化處理自來水,77,三、光催化臭氧氧化處理自來水,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,78,三、光催化臭氧氧化處理自來水,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,檢驗樣本,79,三、光催化臭氧氧化處理自來水,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,網(wǎng)絡結構 網(wǎng)絡分為4層。各層節(jié)點數(shù)分別為：輸入層2個；第一隱層12個；第二隱層6個；輸出層1個。,,80,三、光催化臭氧氧化處理自來水,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,數(shù)據(jù)預處理，輸入數(shù)據(jù)和輸出數(shù)據(jù)都規(guī)格化為0到1:最大訓練步數(shù) net.trainParam.epochs=100000 收斂誤差界值 net.trainParam.goad=0.0001,模型的參數(shù),81,BP網(wǎng)絡訓練誤差曲線和網(wǎng)絡模型,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,82,模型預測結果與實測值比較,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,83,三、光催化臭氧氧化處理自來水,利用BP網(wǎng)絡對O3濃度的優(yōu)化,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,84,三、光催化臭氧氧化處理自來水,利用BP網(wǎng)絡對O3濃度的優(yōu)化,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,85,三、光催化臭氧氧化處理自來水,利用BP網(wǎng)絡對O3濃度的優(yōu)化,BP神經(jīng)網(wǎng)絡在分類與預測中的應用,86,THANK YOU,