目錄

• • 人工神經網絡
  • 神經網絡分類
  • BP神經網絡
  • 代碼實現

人工神經網絡

??????人們利用數學模型來模仿生物神經元傳遞信息以及做出決策等等。
??????下圖神經網絡數學模型可以等效為輸入矩陣X與系數矩陣W相乘并加上偏置項求和，并利用激活函數 f（） 進行映射，從而得到輸出。其中，系數矩陣W和偏置項是需要我們利用訓練集數據進行調整優化，使得整個網絡能完成特定任務。

神經網絡分類

按照連接方式，可以分為：前向神經網絡 和 反饋（遞歸）神經網絡

按照學習方式，可以分為：有監督學習神經網絡 和 無監督學習神經網絡

按照實現功能，可以分為：擬合（回歸）神經網絡 和 分類神經網絡

BP神經網絡

BP神經網絡時人工神經網絡的一種，屬于有監督學習，主要流程：

準備數據集，搭建網絡模型，參數初始化

正向傳播，計算結點輸出值

反向傳播，計算每個結點誤差，調整權值參數

直至網絡收斂到規定值

正向傳播：

反向傳播，計算誤差


調整權值W ------> W’

代碼實現

利用MATLAB代碼（含詳細注釋）實現BP神經網絡，其中最為核心的就是newff()函數，大家可以看看源碼（在命令執行窗口中輸入edit newff），其實就是上述流程的數學推導計算：

% I. 清空環境變量 clear all clc% II. 訓練集/測試集產生 % 1. 導入數據集，可以替換為自己的數據集 load spectra_data.mat% 2. 隨機產生訓練集和測試集 temp = randperm(size(NIR,1)); % 訓練集——50個樣本，P為輸入數據，T為對應輸入數據的輸出結果 P_train = NIR(temp(1:50),:)'; T_train = octane(temp(1:50),:)'; % 測試集——10個樣本 P_test = NIR(temp(51:end),:)'; T_test = octane(temp(51:end),:)'; N = size(P_test,2);% III. 數據歸一化 [p_train, ps_input] = mapminmax(P_train,0,1); p_test = mapminmax('apply',P_test,ps_input);[t_train, ps_output] = mapminmax(T_train,0,1);% IV. BP神經網絡創建、訓練及仿真測試 % 1. 創建網絡，[9,9]意思為網絡含有兩個隱藏層，每層有9個單元 net = newff(p_train,t_train,[9,9]);% 2. 設置訓練參數 net.trainParam.epochs = 1000;%訓練批次 net.trainParam.goal = 1e-12;%訓練目標，誤差小于1e-12即結束訓練 net.trainParam.lr = 0.01;%設置學習率 %另外也可以設置其他訓練參數，可看newff()函數介紹手冊% 3. 訓練網絡 net = train(net,p_train,t_train);% 4. 仿真測試 t_sim = sim(net,p_test);% 5. 數據反歸一化 T_sim = mapminmax('reverse',t_sim,ps_output);% V. 性能評價 % 1. 相對誤差error error = abs(T_sim - T_test)./T_test;% 2. 決定系數R^2 R2 = (N * sum(T_sim .* T_test) - sum(T_sim) * sum(T_test))^2 / ((N * sum((T_sim).^2) - (sum(T_sim))^2) * (N * sum((T_test).^2) - (sum(T_test))^2)); % 3. 結果對比 result = [T_test' T_sim' error']% VI. 繪圖 figure plot(1:N,T_test,'b:*',1:N,T_sim,'r-o') legend('真實值','預測值') xlabel('預測樣本') ylabel('xxxx') string = {'xxxxxx預測結果對比';['R^2=' num2str(R2)]}; title(string)

這是matlab中建立的網絡模型簡圖

結果圖：

總結

以上是生活随笔為你收集整理的机器学习（一）：BP神经网络（含代码及注释）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。