《神经网络的MATLAB实现苏析超.ppt》由会员分享，可在线阅读，更多相关《神经网络的MATLAB实现苏析超.ppt（23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、主要内容主要内容BP神经网络编程神经网络编程BP神经网络工具箱神经网络工具箱RBP网络工具箱网络工具箱GRNN网络工具箱网络工具箱 BP神经网络通常是指基于误差反向传播算法(BP算法)的多层前向神经网络。该网络的主要特点是信号向前传递，误差反向传播。向前传递中，输入信号从输入层经隐含层逐层处理，直至输出层。每一层的神经元状态只影响到下一层神经元状态。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使BP神经网络预测输出不断逼近期望输出。1.BP1.BP神经网络原理神经网络原理神经网络的神经网络的MATLABMATLAB实现实现神经网络的神经网络的MATLABMAT
2、LAB实现实现神经网络的神经网络的MATLABMATLAB实现实现神经网络的神经网络的MATLABMATLAB实现实现%清空环境变量clcclear%训练数据预测数据提取及归一化%下载四类语音信号load data1 c1load data2 c2load data3 c3load data4 c4%从1到2000间随机排序k=rand(1,2000);m,n=sort(k);%输入输出数据input=data(:,2:25);output1=data(:,1);%四个特征信号矩阵合成一个矩阵data(1:500,:)=c1(1:500,:);data(501:1000,:)=c2(1:500
3、,:);data(1001:1500,:)=c3(1:500,:);data(1501:2000,:)=c4(1:500,:);神经网络的神经网络的MATLABMATLAB实现实现%随机提取1500个样本为训练样本，500个样本为预测样本input_train=input(n(1:1500),:);output_train=output(n(1:1500),:);input_test=input(n(1501:2000),:);output_test=output(n(1501:2000),:);%输入数据归一化inputn,inputps=mapminmax(input_train);神经网
4、络的神经网络的MATLABMATLAB实现实现%网络结构初始化innum=24;midnum=25;outnum=4;%权值初始化w1=rands(midnum,innum);b1=rands(midnum,1);w2=rands(midnum,outnum);b2=rands(outnum,1);w2_1=w2;w2_2=w2_1;w1_1=w1;w1_2=w1_1;b1_1=b1;b1_2=b1_1;b2_1=b2;b2_2=b2_1;%学习率xite=0.1;%alfa=0.01;神经网络的神经网络的MATLABMATLAB实现实现%网络训练for ii=1:10 E(ii)=0;for
5、 i=1:1:1500%网络预测输出 x=inputn(:,i);%隐含层输出 for j=1:1:midnum I(j)=inputn(:,i)*w1(j,:)+b1(j);Iout(j)=1/(1+exp(-I(j);end%输出层输出 yn=w2*Iout+b2;神经网络的神经网络的MATLABMATLAB实现实现%权值阀值修正%计算误差 e=output_train(:,i)-yn;E(ii)=E(ii)+sum(abs(e);%计算权值变化率 dw2=e*Iout;db2=e;神经网络的神经网络的MATLABMATLAB实现实现for j=1:1:midnum S=1/(1+exp(
6、-I(j);FI(j)=S*(1-S);end for k=1:1:innum for j=1:1:midnum dw1(k,j)=FI(j)*x(k)*(e(1)*w2(j,1)+e(2)*w2(j,2)+e(3)*w2(j,3)+e(4)*w2(j,4);db1(j)=FI(j)*(e(1)*w2(j,1)+e(2)*w2(j,2)+e(3)*w2(j,3)+e(4)*w2(j,4);end end神经网络的神经网络的MATLABMATLAB实现实现 w1=w1_1+xite*dw1;b1=b1_1+xite*db1;w2=w2_1+xite*dw2;b2=b2_1+xite*db2;w1
7、_2=w1_1;w1_1=w1;w2_2=w2_1;w2_1=w2;b1_2=b1_1;b1_1=b1;b2_2=b2_1;b2_1=b2;endend神经网络的神经网络的MATLABMATLAB实现实现%语音特征信号分类inputn_test=mapminmax(apply,input_test,inputps);for ii=1:1 for i=1:500%1500%隐含层输出 for j=1:1:midnum I(j)=inputn_test(:,i)*w1(j,:)+b1(j);Iout(j)=1/(1+exp(-I(j);end fore(:,i)=w2*Iout+b2;endend
8、神经网络的神经网络的MATLABMATLAB实现实现%结果分析%根据网络输出找出数据属于哪类for i=1:500 output_fore(i)=find(fore(:,i)=max(fore(:,i);end%BP网络预测误差error=output_fore-output1(n(1501:2000);%画出预测语音种类和实际语音种类的分类图figure(1)plot(output_fore,r)hold onplot(output1(n(1501:2000),b)legend(预测语音类别,实际语音类别)神经网络的神经网络的MATLABMATLAB实现实现%画出误差图figure(2)pl
9、ot(error)title(BP网络分类误差,fontsize,12)xlabel(语音信号,fontsize,12)ylabel(分类误差,fontsize,12)神经网络的神经网络的MATLABMATLAB实现实现k=zeros(1,4);%找出判断错误的分类属于哪一类for i=1:500 if error(i)=0 b,c=max(output_test(:,i);switch c case 1 k(1)=k(1)+1;case 2 k(2)=k(2)+1;case 3 k(3)=k(3)+1;case 4 k(4)=k(4)+1;end endend神经网络的神经网络的MATLAB
10、MATLAB实现实现%找出每类的个体和kk=zeros(1,4);for i=1:500 b,c=max(output_test(:,i);switch c case 1 kk(1)=kk(1)+1;case 2 kk(2)=kk(2)+1;case 3 kk(3)=kk(3)+1;case 4 kk(4)=kk(4)+1;endend%正确率rightridio=(kk-k)./kknewff函数newff用来生成一个BP网络net=newff(PR,S1 S2.SN,TF1 TF2.TFN,BTF,BLF,PF)PR:一个R2矩阵,由R维输入向量的每维最小值和最大值组成Si:第i层的神经元
11、个数TFi:第i层的传递函数,默认为tansigBTF:训练函数,默认为trainlmBLF:学习函数,默认为learngdmPF:性能函数,默认为msenet=newff(0,10;-1,2,5,1,tansig,purelin,trainlm);%生成一个两层BP网络,隐层和输出层神经的个数为5和1,传递函数分别为tansig和purelin,训练函数为trainlm,其他默认BPBP神经网络工具箱神经网络工具箱学习算法适用问题类型收敛性能占用存储空间其他特点trainlm函数拟合收敛快,误差小大性能随网络规模增大而变差trainrp模式分类收敛最快较小性能随网络训练误差减小而变差trai
12、nscg函数拟合模式分类收敛较快性能稳定中等尤其适用于网络规模较大的情况trainbfg函数拟合收敛较快较大计算量岁网络规模的增大呈几何增长traingdx模式分类收敛较慢较小适用于提前停止的方法 MATLAB神经网络工具箱对常规BP算法进行改进,提供了一系列快速算法,以满足不同问题的需要BPBP神经网络工具箱神经网络工具箱 利用已知的”输入目标”样本向量数据对网络进行训练,采用train 函数来完成.训练之前,对训练参数进行设置 训练参数 参数含义 默认值net.trainParam.epochs训练步数100net.trainParam.show显示训练结果的间隔步数25net.train
13、Param.goal训练目标误差0net.trainParam.time训练允许时间INfnet.trainParam.lr学习率0.01net=train(net,P,T)BPBP神经网络工具箱神经网络工具箱网络层数 已经证明,单隐层的BP网络可以实现任意非线性映射.BP网络的隐层数一般不超过两层.输入层的节点数 输入层接收外部的输入数据,节点数取决于输入向量的维数输出层的节点数 输出层的节点数取决于输出数据类型和该类型所需的数据大小.对于模式分类问题,节点数为BPBP神经网络工具箱神经网络工具箱隐层的节点数 隐层的节点数与求解问题的要求,输入输出单元数多少有关.对于模式识别/分类的节点数可
14、按下列公式设计传递函数 隐层传递函数采用S型函数,输出层采用S型函数或线性函数训练方法及其参数选择 针对不同应用,BP网络提供了多种训练学习方法.其中为隐层节点数,为输入节点数,为110之间的整数BPBP神经网络工具箱神经网络工具箱采用动量梯度下降算法训练BP网络.训练样本%定义训练样本p=-1-1 3 1;-1 1 5-3;t=-1-1 1 1;%创建一个新的BP网络net=newff(minmax(p),3 1,tansig,purelin,traingdm);%设置训练参数=1000;=0.001;=50;=0.05;=0.9;%动量因子，缺省为0.9net=train(net,p,t);%训练网络A=sim(net,p)%网络仿真BPBP神经网络工具箱神经网络工具箱目标线训练误差变化曲线BPBP神经网络工具箱神经网络工具箱