《BP神经网络实验_Matlab资料.doc》由会员分享，可在线阅读，更多相关《BP神经网络实验_Matlab资料.doc（8页珍藏版）》请在三一办公上搜索。
1、计算智能实验报告 实验名称：BP神经网络算法实验班级名称： 2010级软工三班专 业： 软件工程姓 名： 李XX学 号： XXXXXX2010090一、 实验目的1） 编程实现BP神经网络算法；2） 探究BP算法中学习因子算法收敛趋势、收敛速度之间的关系；3） 修改训练后BP神经网络部分连接权值，分析连接权值修改前和修改后对相同测试样本测试结果，理解神经网络分布存储等特点。二、 实验要求 按照下面的要求操作，然后分析不同操作后网络输出结果。1） 可修改学习因子2） 可任意指定隐单元层数3） 可任意指定输入层、隐含层、输出层的单元数4） 可指定最大允许误差5） 可输入学习样本（增加样本）6） 可
2、存储训练后的网络各神经元之间的连接权值矩阵；7） 修改训练后的BP神经网络部分连接权值，分析连接权值修改前和修改后对相同测试样本测试结果 。三、 实验原理1 明确BP神经网络算法的基本思想如下：在BPNN中，后向传播是一种学习算法，体现为BPNN的训练过程，该过程是需要教师指导的；前馈型网络是一种结构，体现为BPNN的网络构架反向传播算法通过迭代处理的方式，不断地调整连接神经元的网络权重，使得最终输出结果和预期结果的误差最小BPNN是一种典型的神经网络，广泛应用于各种分类系统，它也包括了训练和使用两个阶段。由于训练阶段是BPNN能够投入使用的基础和前提，而使用阶段本身是一个非常简单的过程，也就
3、是给出输入，BPNN会根据已经训练好的参数进行运算，得到输出结果2 明确BP神经网络算法步骤和流程如下：1初始化网络权值2由给定的输入输出模式对计算隐层、输出层各单元输出3计算新的连接权及阀值，4选取下一个输入模式对返回第2步反复训练直到网络设输出误差达到要求结束训练。四、实验内容和分析1 实验时建立三层BP神经网络，输入节点2个，隐含层节点2个，输出节点1个，输入训练样本如下表：输入值输出0.00.00.00.01.01.01.00.01.01.01.00.0学习因子分别为0.5和0.6, 最大允许误差0.01。代码：P=0.0 0.0 1.0 1.0;0.0 1.0 0.0 1.0;%输入
4、量矩阵 T=0.0 1.0 1.0 0.0;%输出量矩阵net=newff(minmax(P),T,2 1,tansig,purelin,traingd);%创建名为net的BP神经网络inputWeights=net.IW1,1;%输入层与隐含层的连接权重 inputbias=net.b2;%输入层与隐含层的阈值net.trainParam.epochs=5000;%网络参数：最大训练次数为5000次net.trainParam.goal=0.01;%网络参数：训练精度为0.001 net.trainparam.lr=0.5;%网络参数：学习设置率为0.5net.trainParam.mc=
5、0.6; %动量net.trainparam.show=100%网络参数：设置为每5次学习显示误差曲线点net,tr=train(net,P,T); %训练A=sim(net,P); %仿真E=T-A; %误差MSE=mse(E); %均方误差训练结果：训练次数5000，全局误差0.008364隐含层与输出层连接权值为输入层与隐含层连接权值为 隐含层神经元阈值为输出层神经元阈值为 2 输入测试样本为可见网络性能良好，输出结果基本满足识别要求。3 改变学习因子学习因子决定每一次循环训练中所产生的权值变化量。大的学习因子可能导致系统的不稳定；但小的学习因子导致较长的训练时间，可能收敛很慢，不过能保
6、证网络的误差值不跳出误差表面的低谷而最终趋于误差最小值。所以一般情况下倾向于选取较小的学习速率以保证系统的稳定性。4 改变输入层、隐含层、输出层的单元数当隐含层节点个数为3时，相同训练样本和测试样本，得到测试结果为net=newff(minmax(P),T,3 1,tansig,purelin,traingd);%创建名为net的BP神经网络训练次数5000，全局误差0.004126可见，改变输入层、隐含层、输出层的单元数，即改变网络结构，可以改善网络性能，增加隐含层节点个数可以更好的提取模式特征，识别结果更精确，但网络复杂度增加，可能不稳定。5 最大允许误差控制网络识别精度。选取较大值学习速
7、度加快，但精度降低；选取较小值，学习速度变慢，精度提高，但可能导致网络无法收敛到允许的误差范围。net.trainParam.lr=0.05;6 增加学习样本在基本实验的基础上，增加一个学习样本0.1 1.0 1.0后，训练次数变增加为18982，全局误差为0.0099993，相同测试样本，测试结果为在基本实验的基础上，增加一个学习样本0.1 1.0 1.0后，训练次数变增加为20000，全局误差为0.12568，相同测试样本，测试结果为网络学习速度降低，识别精度大大提高。另外，改变学习样本个数，将改变原有训练结果。7 改变部分连接权值网络性能被改变。四、 实验小结通过这次实验，我对BP神经网络有了更为重要的理解。明白了BP神经网络算法的基本步骤，会运用Matlab构建简单的BP神经网络。同时，了解了BP神经网络各个参数的意义。在实验过程中，通过改变参数的值，调整BP神经网络的输出结果。
