《BP神经网络在分类与预测中的应用解析.ppt》由会员分享，可在线阅读，更多相关《BP神经网络在分类与预测中的应用解析.ppt（87页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、1.1 神经网络神经网络(Artificial Neural Netwroks,简称简称ANN)1.1.1 研究研究ANN目的目的 利用机器模仿人类的智能是长期以来人们认识自然、利用机器模仿人类的智能是长期以来人们认识自然、改造自然和认识自身的理想。改造自然和认识自身的理想。 (1) 探索和模拟人的感觉、思维和行为的规律，设探索和模拟人的感觉、思维和行为的规律，设计具有人类智能的计算机系统。计具有人类智能的计算机系统。 (2) 探讨人脑的智能活动，用物化了的智能来考察探讨人脑的智能活动，用物化了的智能来考察和研究人脑智能的物质过程及其规律。和研究人脑智能的物质过程及其规律。1.1 神经网络神经
2、网络(Artificial Neural Netwroks,简称简称ANN)1.1.1 研究研究ANN目的目的1.1.2 研究研究ANN方法方法(1) (1) 生理结构的模拟生理结构的模拟 用仿生学观点，探索人脑的生理结构，把对人脑用仿生学观点，探索人脑的生理结构，把对人脑的微观结构及其智能行为的研究结合起来即人工神经网的微观结构及其智能行为的研究结合起来即人工神经网络（络（Artificial Neural Netwroks，简称，简称ANN）方法。）方法。1.1 神经网络神经网络(Artificial Neural Netwroks,简称简称ANN)1.1.1 研究研究ANN目的目的1.1
3、.2 研究研究ANN方法方法(1) (1) 生理结构的模拟生理结构的模拟(2) (2) 宏观功能的模拟宏观功能的模拟 从人的思维活动和智能行为的心理学特性出发，利从人的思维活动和智能行为的心理学特性出发，利用计算机系统来对人脑智能进行宏观功能的模拟，即符用计算机系统来对人脑智能进行宏观功能的模拟，即符号处理方法。号处理方法。1.1 神经网络神经网络(Artificial Neural Netwroks,简称简称ANN)1.1.1 研究研究ANN目的目的1.1.2 研究研究ANN方法方法1.1.3 ANN的研究内容的研究内容(1) (1) 理论研究理论研究 ANN模型及其学习算法，试图从数学上描
4、述模型及其学习算法，试图从数学上描述ANN的动力学过程，建立相应的的动力学过程，建立相应的ANN模型，在该模型的基础模型，在该模型的基础上，对于给定的学习样本，找出一种能以较快的速度和上，对于给定的学习样本，找出一种能以较快的速度和较高的精度调整神经元间互连权值，使系统达到稳定状较高的精度调整神经元间互连权值，使系统达到稳定状态，满足学习要求的算法。态，满足学习要求的算法。1.1 神经网络神经网络(Artificial Neural Netwroks,简称简称ANN)1.1.1 研究研究ANN目的目的1.1.2 研究研究ANN方法方法1.1.3 ANN的研究内容的研究内容(1) (1) 理论研
5、究理论研究(2) (2) 实现技术的研究实现技术的研究 探讨利用电子、光学、生物等技术实现神经计算机探讨利用电子、光学、生物等技术实现神经计算机的途径。的途径。1.1 神经网络神经网络(Artificial Neural Netwroks,简称简称ANN)1.1.1 研究研究ANN目的目的1.1.2 研究研究ANN方法方法1.1.3 ANN的研究内容的研究内容(1) (1) 理论研究理论研究(2) (2) 实现技术的研究实现技术的研究(3) (3) 应用的研究应用的研究 探讨如何应用探讨如何应用ANN解决实际问题，如模式识别、故解决实际问题，如模式识别、故障检测、智能机器人等。障检测、智能机器
6、人等。1.1 神经网络神经网络(Artificial Neural Netwroks,简称简称ANN)1.1.1 研究研究ANN目的目的1.1.2 研究研究ANN方法方法1.1.3 ANN的研究内容的研究内容1.1.4 人工神经网络概述人工神经网络概述 人工神经网络是由具有适应性简单的单元组成的广人工神经网络是由具有适应性简单的单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对泛并行互连的网络，它的组织能够模拟生物神经系统对真实物体所作出的交互作用。真实物体所作出的交互作用。1.1 神经网络神经网络(Artificial Neural Netwroks,简称简称ANN)1.1.1 研
7、究研究ANN目的目的1.1.2 研究研究ANN方法方法1.1.3 ANN的研究内容的研究内容1.1.4 人工神经网络概述人工神经网络概述 1.1.5 脑神经信息活动的特征脑神经信息活动的特征(1) (1) 巨量并行性巨量并行性(2) (2) 信息处理和存储单元的有机结合信息处理和存储单元的有机结合(3) (3) 自组织自学习功能自组织自学习功能 1.1.6 ANN研究的目的和意义研究的目的和意义1.1 神经网络神经网络(Artificial Neural Netwroks,简称简称ANN)1.1.1 研究研究ANN目的目的1.1.2 研究研究ANN方法方法1.1.3 ANN的研究内容的研究内容
8、1.1.4 人工神经网络概述人工神经网络概述 1.1.5 脑神经信息活动的特征脑神经信息活动的特征 (1) 通过揭示物理平面与认知平面之间的映射通过揭示物理平面与认知平面之间的映射,了解了解它们相互联系和相互作用的机理它们相互联系和相互作用的机理,揭示思维的本质，探揭示思维的本质，探索智能的本源。索智能的本源。1.1.6 ANN研究的目的和意义研究的目的和意义1.1 神经网络神经网络(Artificial Neural Netwroks,简称简称ANN)1.1.1 研究研究ANN目的目的1.1.2 研究研究ANN方法方法1.1.3 ANN的研究内容的研究内容1.1.4 人工神经网络概述人工神经
9、网络概述 1.1.5 脑神经信息活动的特征脑神经信息活动的特征 (2) 争取构造出尽可能与人脑具有相似功能的计算争取构造出尽可能与人脑具有相似功能的计算机，即机，即ANN计算机。计算机。 1.1.6 ANN研究的目的和意义研究的目的和意义1.1 神经网络神经网络(Artificial Neural Netwroks,简称简称ANN)1.1.1 研究研究ANN目的目的1.1.2 研究研究ANN方法方法1.1.3 ANN的研究内容的研究内容1.1.4 人工神经网络概述人工神经网络概述 1.1.5 脑神经信息活动的特征脑神经信息活动的特征 (3) 研究仿照脑神经系统的人工神经网络研究仿照脑神经系统的
10、人工神经网络,将在模式将在模式识别、组合优化和决策判断等方面取得传统计算机所识别、组合优化和决策判断等方面取得传统计算机所难以达到的效果。难以达到的效果。 1.1.6 ANN研究的目的和意义研究的目的和意义1.1.7 神经网络研究的发展神经网络研究的发展1.1 神经网络神经网络(Artificial Neural Netwroks,简称简称ANN)1.1.1 研究研究ANN目的目的1.1.2 研究研究ANN方法方法1.1.3 ANN的研究内容的研究内容1.1.4 人工神经网络概述人工神经网络概述 1.1.5 脑神经信息活动的特征脑神经信息活动的特征 (1) 第一次热潮第一次热潮(40-60年代
11、未年代未) 1943年，美国心理学家年，美国心理学家W.McCulloch和数学家和数学家W. Pitts在提出了一个简单的神经元模型在提出了一个简单的神经元模型,即即MP模型模型.1958年，年，F.Rosenblatt等研制出了感知机等研制出了感知机(Perceptron）。1.1.6 ANN研究的目的和意义研究的目的和意义1.1.7 神经网络研究的发展神经网络研究的发展1.1 神经网络神经网络(Artificial Neural Netwroks,简称简称ANN)1.1.1 研究研究ANN目的目的1.1.2 研究研究ANN方法方法1.1.3 ANN的研究内容的研究内容1.1.4 人工神经
12、网络概述人工神经网络概述 1.1.5 脑神经信息活动的特征脑神经信息活动的特征 (2) 低潮低潮(70-80年代初年代初) (3) 第二次热潮第二次热潮 1982年，美国物理学家年，美国物理学家J.J.Hopfield提出提出Hopfield模型，它是一个互联的非线性动力学网络，模型，它是一个互联的非线性动力学网络， 他解决问他解决问题的方法是一种反复运算的动态过程题的方法是一种反复运算的动态过程,这是符号逻辑处这是符号逻辑处理方法所不具备的性质。理方法所不具备的性质。1987年首届国际年首届国际ANN大会在大会在圣地亚哥召开圣地亚哥召开,国际国际ANN联合会成立，创办了多种联合会成立，创办了
13、多种ANN国际刊物。国际刊物。1.1 神经网络神经网络(Artificial Neural Netwroks,简称简称ANN)1.1.8 神经网络基本模型神经网络基本模型细胞体突触轴突树突图12.2 生物神经元功能模型输入输出信息处理电脉冲形成传输1.1.9 人工神经网络研究的局限性人工神经网络研究的局限性1.1 神经网络神经网络(Artificial Neural Netwroks,简称简称ANN)1.1.8 神经网络基本模型神经网络基本模型（1 1）ANN研究受到脑科学研究成果的限制研究受到脑科学研究成果的限制（2 2）ANN缺少一个完整、成熟的理论体系缺少一个完整、成熟的理论体系（3 3
14、）ANN研究带有浓厚的策略和经验色彩研究带有浓厚的策略和经验色彩（4 4）ANN与传统技术的接口不成熟与传统技术的接口不成熟1.1.9 人工神经网络研究的局限性人工神经网络研究的局限性1.1 神经网络神经网络(Artificial Neural Netwroks,简称简称ANN)1.1.8 神经网络基本模型神经网络基本模型细胞体突触轴突树突图12.2 生物神经元功能模型输入输出信息处理电脉冲形成传输黑箱1.1.9 人工神经网络研究的局限性人工神经网络研究的局限性1.1 神经网络神经网络(Artificial Neural Netwroks,简称简称ANN)1.1.8 神经网络基本模型神经网络基
15、本模型细胞体突触轴突树突图12.2 生物神经元功能模型输入输出信息处理电脉冲形成传输黑箱 一般而言一般而言, ANN与经典计算方法相比并非优越与经典计算方法相比并非优越, 只有只有当常规方法解决不了或效果不佳时当常规方法解决不了或效果不佳时ANN方法才能显示出方法才能显示出其优越性其优越性 . 尤其对问题的机理不甚了解或不能用数学模尤其对问题的机理不甚了解或不能用数学模型表示的系统型表示的系统,如故障诊断如故障诊断,特征提取和预测等问题特征提取和预测等问题,ANN往往是最有利的工具往往是最有利的工具.另一方面另一方面, ANN对处理大量原始数对处理大量原始数据而不能用规则或公式描述的问题据而不
16、能用规则或公式描述的问题, 表现出极大的灵活表现出极大的灵活性和自适应性。性和自适应性。1.1 神经网络神经网络(Artificial Neural Netwroks,简称简称ANN)1.2 BP神经网络神经网络 人工神经网络以其具有自学习、自组织、较好的容人工神经网络以其具有自学习、自组织、较好的容错性和优良的非线性逼近能力，受到众多领域学者的关错性和优良的非线性逼近能力，受到众多领域学者的关注。在实际应用中，注。在实际应用中，80%80%90%90%的人工神经网络模型是采的人工神经网络模型是采用用误差反传算法或其变化形式的网络模型误差反传算法或其变化形式的网络模型( (简称简称BPBP网络
17、网络),),目前主要应用于函数逼近、模式识别、分类和数据压缩目前主要应用于函数逼近、模式识别、分类和数据压缩或数据挖掘。或数据挖掘。 1.1 神经网络神经网络(Artificial Neural Netwroks,简称简称ANN)1.2 BP神经网络神经网络 Rumelhart，Mc Clelland于于1985年提出了年提出了BP网网络的误差反向后传络的误差反向后传BP(Back Propagation)学习算法学习算法J. Mc Clelland David Rumelhart 1.2.1 BP神经网络概述神经网络概述1.1 神经网络神经网络(Artificial Neural Netwr
18、oks,简称简称ANN)1.2 BP神经网络神经网络 BPBP算法基本原理算法基本原理 利用输出后的误差来估计输出利用输出后的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的层的直接前导层的误差，再用这个误差估计更前一层的误差，如此一层一层的反传下去，就获得了所有其他各误差，如此一层一层的反传下去，就获得了所有其他各层的误差估计。层的误差估计。 1.2.1 BP神经网络概述神经网络概述1.1 神经网络神经网络(Artificial Neural Netwroks,简称简称ANN)1.2 BP神经网络神经网络1.2.1 BP神经网络概述神经网络概述1.2.2 BP神经网络特点神经网
19、络特点神经网络能以任意精度逼神经网络能以任意精度逼近任何非线性连续函数。近任何非线性连续函数。在建模过程中的许多问题在建模过程中的许多问题正是具有高度的非线性。正是具有高度的非线性。(1)(1)非线性映射能力非线性映射能力1.1 神经网络神经网络(Artificial Neural Netwroks,简称简称ANN)1.2 BP神经网络神经网络1.2.1 BP神经网络概述神经网络概述1.2.2 BP神经网络特点神经网络特点在神经网络中信息是分布在神经网络中信息是分布储存和并行处理的，这使储存和并行处理的，这使它具有很强的容错性和很它具有很强的容错性和很快的处理速度。快的处理速度。(2)(2)并
20、行分布处理方式并行分布处理方式(1)(1)非线性映射能力非线性映射能力1.1 神经网络神经网络(Artificial Neural Netwroks,简称简称ANN)1.2 BP神经网络神经网络1.2.1 BP神经网络概述神经网络概述1.2.2 BP神经网络特点神经网络特点神经网络在训练时，能从神经网络在训练时，能从输入、输出的数据中提取输入、输出的数据中提取出规律性的知识，记忆于出规律性的知识，记忆于网络的权值中，并具有泛网络的权值中，并具有泛化能力，即将这组权值应化能力，即将这组权值应用于一般情形的能力。神用于一般情形的能力。神经网络的学习也可以在线经网络的学习也可以在线进行。进行。(2)
21、(2)并行分布处理方式并行分布处理方式(3)(3)自学习和自适应能力自学习和自适应能力(1)(1)非线性映射能力非线性映射能力1.1 神经网络神经网络(Artificial Neural Netwroks,简称简称ANN)1.2 BP神经网络神经网络1.2.1 BP神经网络概述神经网络概述1.2.2 BP神经网络特点神经网络特点神经网络可以同时处理定神经网络可以同时处理定量信息和定性信息，因此量信息和定性信息，因此它可以利用传统的工程技它可以利用传统的工程技术（数值运算）和人工智术（数值运算）和人工智能技术（符号处理）能技术（符号处理）(2)(2)并行分布处理方式并行分布处理方式(3)(3)自
22、学习和自适应能力自学习和自适应能力(4)(4)数据融合的能力数据融合的能力(1)(1)非线性映射能力非线性映射能力1.1 神经网络神经网络(Artificial Neural Netwroks,简称简称ANN)1.2 BP神经网络神经网络1.2.1 BP神经网络概述神经网络概述1.2.2 BP神经网络特点神经网络特点(2)(2)并行分布处理方式并行分布处理方式(3)(3)自学习和自适应能力自学习和自适应能力神经网络的输入和输出变神经网络的输入和输出变量的数目是任意的，对单量的数目是任意的，对单变量系统与多变量系统提变量系统与多变量系统提供了一种通用的描述方式供了一种通用的描述方式,不必考虑各子
23、系统间的解不必考虑各子系统间的解耦问题。耦问题。(4)(4)数据融合的能力数据融合的能力(5)(5)多变量系统多变量系统(1)(1)非线性映射能力非线性映射能力1.1 神经网络神经网络(Artificial Neural Netwroks,简称简称ANN)1.2 BP神经网络神经网络1.2.1 BP神经网络概述神经网络概述1.2.2 BP神经网络特点神经网络特点1.2.3 BP神经网络模型神经网络模型1x2x1Nx1y2y2Ny1z2z3Nz123N1T2Tihwhjw- - -隐含层输出层输入层3NT1.2.3 BP神经网络模型神经网络模型-2-112-1-0.50.51221( )1xxe
24、f xe Sigmoid函数函数-2-1120.20.40.60.821( )1xf xe 对数对数Sigmoid函数函数1.2.3 BP神经网络模型神经网络模型1.2.3 BP神经网络模型神经网络模型 kx1xnx2x()yf net y输输出出端端net 传输函数传输函数( )f输输入入端端kw1wnw2w1122.nnnetx wx wx wb1()1netyf nete1.2.3 BP神经网络模型神经网络模型-211()(1)1(1)netnetfnetyyee1122.nnnetx wx wx wb1()1netyf nete1.1 神经网络神经网络(Artificial Neura
25、l Netwroks,简称简称ANN)1.2 BP神经网络神经网络1.2.1 BP神经网络概述神经网络概述1.2.2 BP神经网络特点神经网络特点1.2.3 BP神经网络模型神经网络模型1.2.4 BP神经网络神经网络的标准学习算法的标准学习算法1.2.4 1.2.4 将误差分摊给各层的所将误差分摊给各层的所有单元有单元-各层单元的各层单元的误差信号误差信号修正各单元权值修正各单元权值1.2.4 1.2.4 12,nxxxx12,phihihihi12,pho hohoho12,qyiyiyiyi12,qyoyoyoyo1.2.4 211( )( )2qoooedkyo kihw( )f ho
26、whb1,2,kmob12,qdddod12( )( ),( ),( )nkx kx kx kx12( )( ),( ),( )qkd kdkdkod1.2.4 1( )( )1,2,nhihihihikw x kbhp( )( )1,2,hhho kf hi khp1( )( )1,2,pohohohyi kw ho kboq( )( )1,2,ooyo kf yi koq1.2.4 ohoohoeeyiwyiw( )( )( )phohoohhhohow ho kbyi kho kww211( ( )( )2( ( )( )( )( ( )( ) ( )( )qooooooooooood
27、kyo ked kyo k yo kyiyid kyo k f yi kk1.2.4 ( )ok( )( )oohhoohoeeyik ho kwyiw 1( )( )( )( )( )hihhihnihihhiiihiheehi kwhi kww x kbhi kx kww( )hk( )ok1.2.4 21212111( )( ) )( )2( )( )( )1( )( ) )( )2( )( )1( )( ) )( )2( )( )qooohhhhqooohhhqpohohoohhhhdkyo kho kehi kho khi kdkf yi kho kho khi kdkfw ho k
28、bho kho khi k11( )( )( )( )( )( )( )( )qhooohoohqohohhoho kdkyo kfyi k whi kk wfhi kk 1.2.4 1( )( )( )( )( )hoohhoNNhohoohewkk ho kwwwk ho k ( )ok( )howk1.2.4 ( )hk1( )( )( ) ( )( )( ) ( )hihhiihhihNNihihhieehi kw kk x kwhi kwwwk x k1.2.4 2111( )( )2qmookoEdky km1.2.4 whohoewe0，此时，此时who01.2.4 hoewe0
29、who1.2.4 1.1 神经网络神经网络(Artificial Neural Netwroks,简称简称ANN)1.2 BP神经网络神经网络1.2.1 BP神经网络概述神经网络概述1.2.2 BP神经网络特点神经网络特点1.2.3 BP神经网络模型神经网络模型1.2.4 BP神经网络神经网络的标准学习算法的标准学习算法1.2.5 BP神经网络神经网络的学习算法的的学习算法的MATLAB实现实现1.2.4 1.2.4 1.2.4 net.trainParam.epochs：最大训练步数。不过当误差准则满：最大训练步数。不过当误差准则满足时，即使没达到此步数也停止训练。缺省为足时，即使没达到此步
30、数也停止训练。缺省为100。net.trainParam.goad：网络误差准则，当误差小于此准则时：网络误差准则，当误差小于此准则时停止训练，缺省为停止训练，缺省为0。net.trainFcn：训练算法。缺省为训练算法。缺省为 trainlm，即，即Levenberg-Marquardt算法。还可使用算法。还可使用traingdx，即带动量的梯度下，即带动量的梯度下降算法；降算法；traincgf，即共轭梯度法。，即共轭梯度法。其它可看其它可看matlab帮助帮助:help-contents- Neural Network Toobox- Network Object Reference;h
31、elp(net.trainFcn)1.2.4 1.2.4 1.2.4 1.2.4 1.2.4 徽章问题是一个典型的分类问题。我们可以用一徽章问题是一个典型的分类问题。我们可以用一个具体的例子描述：在某个国际会议上，参加会议的个具体的例子描述：在某个国际会议上，参加会议的280名代表每人收到会议组织者发给一枚徽章，徽章名代表每人收到会议组织者发给一枚徽章，徽章的标记为的标记为“”或或“”。会议的组织者声明：每位。会议的组织者声明：每位代表得到徽章代表得到徽章“”或或“”的标记只与他们的姓名的标记只与他们的姓名有关，并希望代表们能够找出徽章有关，并希望代表们能够找出徽章“”与与“”的的分类方法。由
32、于客观原因，有分类方法。由于客观原因，有14名代表没能参加此次名代表没能参加此次会议。按照代表们找出的方法判断，如果他们参加会会议。按照代表们找出的方法判断，如果他们参加会议将得到的徽章类型。议将得到的徽章类型。14名未参加会议的代表名未参加会议的代表14名未参加会议的代表名未参加会议的代表Y初始化初始化给定导师信号给定导师信号计算个节点网络输出计算个节点网络输出计算反向误差计算反向误差权值学习权值学习学习结束？学习结束？对测试样本分类对测试样本分类结束结束N模型一模型一 我们先做第一种尝试，将人名的前五个字母进行我们先做第一种尝试，将人名的前五个字母进行编号，编号，a z 分别对应分别对应
33、0 25，即每个人名的特征值是，即每个人名的特征值是一个长度为一个长度为5的一维列向量的一维列向量,总共总共280个人名就是个个人名就是个5*280的矩阵的矩阵p，作为网络输入。将题目中的徽章问题量化，作为网络输入。将题目中的徽章问题量化，假设徽章为则为假设徽章为则为1, 徽章为则为徽章为则为0, 就形成一个就形成一个1*280的矩阵的矩阵t，作为目标输出。，作为目标输出。 将这些特征值作为训练样本将这些特征值作为训练样本, 通过通过Matlab的工具箱的工具箱对对BP分类算法进行训练，并确定权值，具体程序，注分类算法进行训练，并确定权值，具体程序，注释及结果如下：释及结果如下：模型一模型一
34、net=newff(0 25;0 25;0 25;0 25;0 25,100,1,logsig,purelin,trainlm); /创建一个神经网络，每个字母所对应的量化值的输入范围025，神经网络有2层，第一层有100个神经元，第二层1个，传递函数分别是S型和线性，训练方式trainlm。 net=init(net); /初始化神经网络 net.trainParam.min_grad= 1e-020; /设定最小梯度值，提高训练效果 net=train(net,p,t);TRAINLM, Epoch 0/100, MSE 4.78695/0, Gradient 4628.35/1e-020
35、TRAINLM, Epoch 25/100, MSE 0.000969475/0, Gradient 4.93588/1e-020TRAINLM, Epoch 50/100, MSE 6.16266e-005/0, Gradient 4.48141/1e-020TRAINLM, Epoch 72/100, MSE 4.00219e-031/0, Gradient 1.53435e-013/1e-020TRAINLM, Maximum MU reached, performance goal was not met.模型一模型一训练次数与训练精度的关系图训练次数与训练精度的关系图 将用于训练的输
36、入数据将用于训练的输入数据p代入训练后的神经网络，代入训练后的神经网络，输出结果为输出结果为a矩阵矩阵模型一模型一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 1.0000 Columns 10 through 18 1.0000 1.0000 1.0000 1.0000 1.0000 -0.0000 1.0000 -0.0000 1.0000（后面数据略）（后面数据略）将它和用于训练的目标输出矩将它和用于训练的目标输出矩阵阵t对比可以看出，吻合得很好对比
37、可以看出，吻合得很好模型一模型一a=sim(net,n)a = Columns 1 through 8 1.3889 0.8504 1.0000 0.9551 -0.0006 -0.0515 1.0000 -0.7714 Columns 9 through 14 1.0776 0.9977 2.0655 0.4673 0.4794 1.0000 将将14个待分类的人名的前五个字母编码输入神经网个待分类的人名的前五个字母编码输入神经网络，得到的结果如下：络，得到的结果如下： 可以看到可以看到,这个结果不是很好这个结果不是很好, 由很多介于由很多介于0和和1之间之间的数字的数字,从这里的分析可以看
38、出从这里的分析可以看出,选取字母的编码作为特选取字母的编码作为特征值是合理的，但需要对特征值的选取方案进行细化。征值是合理的，但需要对特征值的选取方案进行细化。模型二模型二 对所给出的对所给出的280个人名取特征值个人名取特征值,我们将人名的第一我们将人名的第一个字母的进行编号，个字母的进行编号，a z分别对应分别对应 0 25，并将这些特，并将这些特征值带入到征值带入到BP网络中去进行训练，具体程序如下：网络中去进行训练，具体程序如下：模型二模型二 从训练情况可以看出，在误差值比较大的时候训练就从训练情况可以看出，在误差值比较大的时候训练就停止了，将输入停止了，将输入p带入训练后的矩阵，发现
39、输出结果与带入训练后的矩阵，发现输出结果与t很很不一致，说明这里找不到分类的规律。不一致，说明这里找不到分类的规律。模型三模型三 对所给出的对所给出的280个人名取特征值个人名取特征值,我们将人名的第二我们将人名的第二个字母的进行编号，个字母的进行编号，a z分别对应分别对应 0 25，并将这些特，并将这些特征值带入到征值带入到BP网络中去进行训练，具体程序如下：网络中去进行训练，具体程序如下：模型三模型三训练后的BP神经网络,输入参加训练的数据p,验证数据，可以看出，和所给人名所对应的徽章满足的很好，所得到的数据如下：模型三模型三a = Columns 1 through 8 0.9877
40、0.0000 0.9877 0.9877 -0.0000 0.9877 0.0000 1.0000 Columns 9 through 16 0.9877 0.9877 0.9877 1.0000 1.0000 1.0000 -0.0000 1.0000训练次数和训练精度的关系收敛的速度相当之快模型三模型三对于待分类的人名，先将其做同样的量化，如下： n=4 4 8 8 4 14 0 19 0 0 0 8 4 14 ; a=sim(net,n) 用已训练完的BP神经网络对其进行分类，得到的结果如下：a = Columns 1 through 8 1.0000 1.0000 1.0000 1.0
41、000 1.0000 1.0000 0.9877 0.0000 Columns 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，和分类的要求比较接近。分类方法的确定分类方法的确定 通过模型一通过模型一,模型二和模型三的比较，我们可以看出模型二和模型三的比较，我们可以看出模型三的特征值的取法所得的模型三的特征值的取法所得的BP算法对于所给的算法对于所给的 280 个个数据的正确率为数据的正确率为100, 并且对于并且对于14 个待分类的人名计算个待分类的人名计算得到的特征值从数据本身看来非得到的特征值从数据
42、本身看来非0即即1,可见模型三所对应可见模型三所对应的分类方法有可能是可行的，即我们可以通过对名字的的分类方法有可能是可行的，即我们可以通过对名字的第二个字母的某种标准进行分类。第二个字母的某种标准进行分类。 我们通过对第二个字母的多种分类方法进行尝试我们通过对第二个字母的多种分类方法进行尝试,得得到通过第二个字母的元辅音进行分类到通过第二个字母的元辅音进行分类,即第二个字母是元即第二个字母是元音为音为,为辅音为为辅音为,并对并对280个所给人名进行分类个所给人名进行分类,结果与结果与所给分类方式一致，可见这就是我们要找的分类方法。所给分类方式一致，可见这就是我们要找的分类方法。分类方法的确定
43、分类方法的确定 用这种分类方法对用这种分类方法对14个待分类人名进行分类得到的个待分类人名进行分类得到的结果如下：结果如下：1 1 1 1 1 1 1 0 1 1 1 1 1 1 将这个分类结果与上面我们通过将这个分类结果与上面我们通过Matlab用用BP算法得算法得出的分类结果一致出的分类结果一致, 这再一次证明我们所找到的分类方法这再一次证明我们所找到的分类方法就是最好的分类方法。就是最好的分类方法。检验样本检验样本网络分为网络分为4层。各层节点数分别为：输入层。各层节点数分别为：输入层层2个；第一隐层个；第一隐层12个；第二隐层个；第二隐层6个；输出层个；输出层1个。个。BP网络模型网络
44、模型输入层输入层输出层输出层隐层隐层1臭氧浓度臭氧浓度入口入口UV254UV254去除率去除率隐层隐层2minmaxminxxxxx 进水进水UV254值值臭 氧 浓 度 ，臭 氧 浓 度 ， mg/LUV254去除率，去除率，BP网络训练误差曲线和网络模型网络训练误差曲线和网络模型实验号实验号 臭氧臭氧(mg/L(mg/L) )UVUV254254去除率去除率(%)(%)相对误差相对误差（%）实测值实测值网络预测值网络预测值1 11.421.4258.158.157.357.3-1.47-1.472 22.512.5178.878.877.777.7-1.47-1.473 33.213.21
45、89.689.690.590.50.960.964 44.294.2996.596.597.997.91.451.455 55.245.2497.897.897.997.90.140.14模型预测结果与实测值比较模型预测结果与实测值比较O O3 3 浓度，浓度，mg/Lmg/LUVUV254254=0.076=0.076 UV254去除率，去除率， O O3 3 浓度，浓度，mg/Lmg/LUVUV254254=0.083=0.083UV254去除率，去除率，利用利用BP网络对网络对O3浓度的优化浓度的优化UVUV254254=0.092=0.092O O3 3 浓度，浓度，mg/Lmg/LUV254去除率，去除率， O O3 3 浓度，浓度，mg/Lmg/LUV254去除率，去除率，UVUV254254=0.105=0.105利用利用BP网络对网络对O3浓度的优化浓度的优化UVUV254254=0.116=0.116O O3 3 浓度，浓度，mg/Lmg/LUV254去除率，去除率，UVUV254254=0.128=0.128 O O3 3 浓度，浓度，mg/Lmg/LUV254去除率，去除率，利用利用BP网络对网络对O3浓度的优化浓度的优化结束结束