- 1、本文档共8页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
问题:用三层BP网络来模拟单输入单输出系统
设初始化时,取网络节点个数如图。试画出BP算法详细框图,编写BP程序并用符合的100组样本进行训练,看训练完成后,网络对的逼近效果。若效果不理想,再增加一个5节点的隐层,然后再训练,结果如何?
解答过程:
1、BP算法框图
图1 BP算法框图
求输出
(1)对于第一层:
可得:
(2)对于第二层 :
可得:
(3)对于第三层:
可得:
输出
取权系数初始值。
求权系数值
(1)输出层
依次类推可以得到:
(2)隐层
(3)输入层
当进行第二组样本训练时,继续循环上面的运算。直到:
程序和实验
程序为Matlab程序,直接调用Matlab神经网络工具箱实现。
源程序:
p = [-2*pi:.02*pi:2*pi];
t = abs(cos(p));
plot(p,t,-)
title(要逼近的非线性函数);
xlabel(时间);
ylabel(非线性函数);
%建立相应的BP网络
net = newff(minmax(p),[3,4,1],{tansig tansig purelin},trainlm);
%对没有训练的网络进行仿真
y1 = sim(net,p);
%绘出仿真得到的曲线
figure;
plot(p,t,-,p,y1,--)
title(没有训练的网络仿真结果);
xlabel(时间);
ylabel(仿真输出-- 原函数-);
%训练网络
net.trainParam.lr=0.5;%设置学习系数
net.trainParam.epochs =1000;%设置最大训练循环次数
net.trainParam.goal = 0.0001;%设置想要达到的精度
net = train(net,p,t);
%对训练后的网络进行仿真
y2 = sim(net,p);
%绘出训练后的仿真结果
figure;
plot(p,t,-,p,y2,--)
title(训练后的网络仿真结果);
xlabel(时间);
ylabel(仿真输出);
训练后的结果如下图所示:
从上面的图可以看出,训练的结果不是很理想,现在新加5个节点,对该网络进行重新训练,其结果如下:
从上图可以看出,新加5个节点后,训练的效果比之前的较好。
文档评论(0)