摘
文根已知测量数(9 支数 6 支 数)制定种分类方法类已定()采工神网络中层前馈网络模型首先根工神元模型前馈网络结合建立层网络模型接着利传播算法求组恰权值网络具特定分类功时求传播算法中实际输出理想输出差异极点极值迭代算法中速降法(结果什)
关键词:工神元模型 层前馈网络 传播算法 速降法
问题重述
两种蠓虫已生物学家WLGrogonWWWirth(1981)根触角长度翅膀长度加区分 现测触长翅膀长数:
问题:根数制定种方法正确区分两种蠓虫?(需结果正确率说明方法正确性摘中写出)
问题二:问题采方法方法触长翅长分样进行识(需结果中体现出结摘中写出)
二问题分析
问题求根已知资料(9 支数 6 支数)制定种分类方法类已定()9 支6 支 数集合称学样
问题:基已知资料建立层前馈网络模型蠕虫进行分类利已知测量数该模型进行学程组恰权值网络具特定分类功
问题二:利问题建立层前馈网络模型定3样进行分类
三符号说明
:表示确定已知样品标号
第样品原始数输入网络时相应输出单元状态
第样品原始数输入网络时相应隐单元状态
第样品原始数输入网络时相应输入单元状态
中间层输出层权
:输入层中间层权
四模型建立求解
41模型建立
411工神元模型
图1 表示出作工神网络(artificial neural network 简称 )基单元神元模型三基素:
图1 神元模型
(i)组连接(应生物神元突触)连接强度连接权值表示权值正表示激活负表示抑制
(ii)求单元求取输入信号加权(线性组合)
(iii)非线性激活函数起非线性映射作神元输出幅度限制定范围(般限制(01)(11)间)
外阈值(偏置)
作分数学式表达出:
式中 输入信号神元权值线性组合结果阈值激活函数神元输出
输入维数增加维阈值包括进例
处增加新连接输入权值() 图2 示
图2 神元模型
激活函数种
(i)阈值函数
阶梯函数时相应输出
中 常称种神元模型
(ii)分段线性函数
类似放系数1 非线性放器工作线性区时线性组合器放系数趋穷时变成阈值单元
(iii)sigmoid 函数
常函数形式
参数控制斜率种常双曲正切函数
类函数具滑渐性保持单调性
双曲正弦函数 双曲余弦函数
双曲正切函数 双曲余切函数
412 网络结构工作方式
单元特性外网络拓扑结构重特性连接方式
两种
(i)前馈型网络
神元接受前层输入输出层没反馈结点分两类输入单元计算单元计算单元意输入输出(耦合意结点作输入)通常前馈网络分层第 层输入第 层输出相连输入输出结点外界相连中间层称隐层
(ii)反馈型网络
结点计算单元时接受输入外界输出NN工作程分两阶段:第阶段学期时计算单元状态变连线权值通学修改第二阶段工作期时连接权固定计算元状态变化达某种稳定状态
作效果前馈网络函数映射模式识函数逼反馈网络量函数极点利分类两种:第类量函数极点起作类作种联想存储器第二类利全局极点求解优化问题
413层前馈网络
图3 层前馈网络
解决述问题考虑结构图3 示工神网络激活函数
决定图中面单元• 示层称输入层输入已知测量值问题中需包括两单元输入触角长度输入翅膀长度中间层称处理层隐单元层单元数适选取问题中取三足够面层称输出层问题中包含二单元输出组输入数相应分类信息.中间层单元接受输入单元传信号处理结果传输出单元供输出层次加工层神元彼相联接输入输出单元间没直接联接样神元形式定义外出网络结构中中间层输出层单元信号进行处理输入层单元输入数没加工
蠓虫分类问题中分表示学样中15 样品第 样品原始数输入网络时相应输出单元状态隐单元状态输入单元取值果均已定应组确定输入网络中单元取值难确定事实样品言隐单元 输入
相应输出状态
输出单元接收迭加信号
网络终输出
里没考虑阈值正前面已说明样点关紧应指出组确定输入输出权函数
果够选定组适权值应学样中组Af样品输入输出应Apf 输入数输出 蠓虫分类问题实际解决未知类样品触角翅膀长度输入网络视输出模式 判断属然出现介中间法判断情况现问题找组适权值实现面设想网络功
414传播算法
前述希应学样中 Af样品输出应 Apf 输出样输出称理想输出实际精确作点希实际输出接理想输出清楚起见应样品 理想输出记
度量组定权实际输出理想输出差异寻找组恰权问题然结求适值达极问题里
式(8 )代入(9 )
易知变量言连续微非线性函数求极点极值方便速降法
415速降法
速降法种迭代算法求出 (局部)极取初始点出发计算点负梯度方
函数该点降快方该方移动段距离达新点参数足够定保证断重复程定达(局部)极点算法具体形式:
隐单元输出单元权言速降法出步修正量
处令
输入单元隐单元权
处
(11)(13)式出权修正量形式
指标应两单元中输出信号端应输入信号端者代表者代表
利迭代算法终生成定精度满足求 程称工神网络学程出里提供学机制元元间权断调整学样中样品提供信息终包含网络权中参数反映学效率
[里啰嗦
中
通述公式计算值
面利值计算值公式
中
便序列满足:单调界定理:极限存注意:表示连接权重量序列界序列收敛子列记易见表明:序列值点时 便认定局部极值点
述理分析告诉:速降法定精度获满足求意味着工神网络训练结束已建立应工神网络
理分析告诉:(1)值赖初始值(2)值未必全局优解(3)序列收敛速度慢需迭代次原学效率值确保严格单调递减取太]
42模型求解
述模型编写Matlab 程序:
clear all
close all
clc
p1[124172136174138164138182138190
140170149182154182156208]
p2[114178118196120186126200
128200130196]
p[p1p2]'
prminmax(p)
goal[ones(19)zeros(16)zeros(19)ones(16)]
plotpv(pgoal(1))
plot(p1(1)p1(2)'h'p2(1)p2(2)'o')
netnewff(pr[32]{'logsig''logsig'})
nettrainParamshow 10
nettrainParamlr 005
nettrainParamgoal 1e10
nettrainParamepochs 50000
net train(netpgoal)
x[124 180128 184140 204]'
y0sim(netp)
ysim(netx)
优初始值阀值:
X026735 036217 00034213 036022 0413 0045455 049804 0093353 036217 0018084 0073803 049511 041496 0023949 011486 0099218 0037634
误差 err0010829
1机权值阀值
测试样预测结果:
测试样仿真误差:11547
训练样仿真误差:2
2优化权值阀值
测试样预测结果:
测试样仿真误差:0010829
训练样仿真误差:016384
优化权值阀值三样预测结果:
095826 096249 02583
0058425 0051903 087343
见属类属类
请陈述模型求解结果准确率
43模型优缺点
五参考文献
[1] 司守奎编数学建模算法程序
评价(1)摘应包括什方法干什事情什样结果外包括概括解决问题步骤方法优缺点等摘说清楚没结果陈述请补充结果发
(2)工神网络基理清楚说明基功扎实学力强加强创造性学写文
(3)排版非常漂亮
(4)两种方法进行(判分析工神网络)样效果更
(5)引文献太少没引容注明出处
附录:程序清单
(1)GABPMain_mengchongfenleim
clc
clear all
close all
加载神网络训练样测试样列样输入P输出T
p1[124172136174138164138182138190
140170149182154182156208]
p2[114178118196120186126200
128200130196]
n1randperm(size(p11))
n2randperm(size(p21))
P1p1(n1(16))
P2p2(n2(13))
P[P1P2]'
t1[ones(19)zeros(19)]
t2[zeros(16)ones(16)]
T1t1(n1(16))
T2t2(n2(13))
T[T1T2]
P3p1(n1(79))
P4p1(n2(46))
P_test[P3P4]'
T3t1(n1(79))
T4t1(n2(46))
T_test[T3T4]
hiddennum3初始隐含层神元数
inputnumsize(P1)输入层神元数
outputnumsize(T1)输入层神元数
w1numinputnum*hiddennum输入层隐含层权值数
w2numoutputnum*hiddennum隐含层输出层权值数
Nw1num+hiddennum+w2num+outputnum优化变量数
定义遗传参数
NIND40种群
MAXGEN50遗传代数
PRECI10体长度
GGAP095代沟
px07交叉概率
pm001变异概率
tracezeros(N+1MAXGEN)寻优结果初始值
FieldD[repmat(PRECI1N)repmat([55]1N)repmat([1011]1N)]区域描述器
Chromcrtbp(NINDPRECI*N)创建意离散机种群
优化
gen0代计数器
Xbs2rv(ChromFieldD)计算初始种群十进制转换
ObjVObjfun(XPThiddennumP_testT_test)计算目标函数值
while gen
FitnVranking(ObjV)分配适应度值
SelChselect('sus'ChromFitnVGGAP)选择
SelChrecombin('xovsp'SelChpx)重组
SelChmut(SelChpm)变异
Xbs2rv(SelChFieldD)
ObjVSelObjfun(XPThiddennumP_testT_test)计算子代目标函数值
[ChromObjV]reins(ChromSelCh11ObjVObjVSel)子代插入父代新种群
Xbs2rv(ChromFieldD)
gengen+1代计数器增加
[YI]min(ObjV)获取代优值序号Y优解I体序号
trace(1Ngen)X(I)记代优值
trace(endgen)Y记代优值
end
画进化图
figure(1)
plot(1MAXGENtrace(end))
grid on
xlabel('遗传代数')
ylabel('误差变化')
title('进化程')
bestXtrace(1end1end)
bestErrtrace(endend)
fprintf(['优初始值阀值:\nX'num2str(bestX')'\n误差 err'num2str(bestErr)'\n'])
(2)Objfunm
function Obj Objfun(XPThiddennumP_testT_test)
分求解种群中体目标值
输入
X体初始权值阀值
P训练样输入
T训练样输出
hiddennum隐含层神元数目
P_test测试样输入
T_test测试样期输出
Obj体预测样预测误差范数
[MN]size(X)
Objzeros(M1)
for i1M
Obj(i)Bpfun(X(i)PThiddennumP_testT_test)
end
(3)Bpfunm
function errBpfun(xPThiddennumP_testT_test)
训练测试BP网络
输入
x体初始权值阀值
P:训练样输入
T:训练样输出
hiddennum隐含层神元数目
P_test测试样输入
T_test测试样期输出
输出
err预测样预测误差范数
inputnumsize(P1)输入层神元数
outputnumsize(T1)输出层神元数
新建BP网络
netnewff(minmax(P)[hiddennumoutputnum]{'tansig''logsig'}'trainlm')
设置网络参数:训练次数1000训练目标001学速率01
nettrainParamepochs1000
nettrainParamgoal001
LPlr01
nettrainParamshowNaN
BP神网络初始权值阀值
w1numinputnum*hiddennum输入层隐含层权值数
w2numoutputnum*hiddennum隐含层输出层权值数
w1x(1w1num)初始输入层隐含层权值
B1x(w1num+1w1num+hiddennum)隐含层神元阀值
w2x(w1num+hiddennum+1w1num+hiddennum+w2num)初始隐含层输出层权值
B2x(w1num+hiddennum+w2num+1w1num+hiddennum+w2num+outputnum)输出层神元阀值
netiw{11}reshape(w1hiddennuminputnum)
netlw{21}reshape(w2outputnumhiddennum)
netb{1}reshape(B1hiddennum1)
netb{2}reshape(B2outputnum1)
训练网络
nettrain(netPT)
测试网络
Ysim(netP_test)
errnorm(YT_test)
(4)yichuan_youhua_mengchongfenleim
优优化权值阀值
outputnumsize(T1)输出层神元数
新建BP网络
netnewff(minmax(P)[hiddennumoutputnum]{'tansig''logsig'}'trainlm')
设置网络参数:训练次数1000训练目标001学速率01
nettrainParamepochs1000
nettrainParamgoal001
LPlr01
nettrainParamshowNaN
BP神网络初始权值阀值
w1numinputnum*hiddennum输入层隐含层权值数
w2numoutputnum*hiddennum隐含层输出层权值数
w1bestX(1w1num)初始输入层隐含层权值
B1bestX(w1num+1w1num+hiddennum)隐含层神元阀值
w2bestX(w1num+hiddennum+1w1num+hiddennum+w2num)初始隐含层输出层权值
B2bestX(w1num+hiddennum+w2num+1w1num+hiddennum+w2num+outputnum)输出层神元阀值
netiw{11}reshape(w1hiddennuminputnum)
netlw{21}reshape(w2outputnumhiddennum)
netb{1}reshape(B1hiddennum1)
netb{2}reshape(B2outputnum1)
训练网络
nettrain(netPT)
测试网络
disp(['2优化权值阀值'])
disp('测试样预测结果:')
Y2sim(netP_test)
err2norm(Y2T_test)
err21norm(sim(netP)T)
disp(['测试样仿真误差:'num2str(err2)])
disp(['训练样仿真误差:'num2str(err21)])
(5)weiyichuan_youhua_mengchongfenlei_bpnetm
clc
clear all
close all
加载神网络训练样测试样列样输入P输出T
p1[124172136174138164138182138190
140170149182154182156208]
p2[114178118196120186126200
128200130196]
n1randperm(size(p11))
n2randperm(size(p21))
P1p1(n1(16))
P2p2(n2(13))
P[P1P2]'
t1[ones(19)zeros(19)]
t2[zeros(16)ones(16)]
T1t1(n1(16))
T2t2(n2(13))
T[T1T2]
P3p1(n1(79))
P4p1(n2(46))
P_test[P3P4]'
T3t1(n1(79))
T4t1(n2(46))
T_test[T3T4]
hiddennum3初始隐含层神元数
inputnumsize(P1)输入层神元数
outputnumsize(T1)输出层神元数
新建BP网络
netnewff(minmax(P)[hiddennumoutputnum]{'tansig''logsig'}'trainlm')
设置网络参数:训练次数1000训练目标001学速率01
nettrainParamepochs1000
nettrainParamgoal001
LPlr01
nettrainParamshowNaN
训练网络
nettrain(netPT)
测试网络
disp(['1机权值阀值'])
disp('测试样预测结果:')
Y1sim(netP_test)
err1norm(Y1T_test)
err11norm(sim(netP)T)
disp(['测试样仿真误差:'num2str(err1)])
disp(['训练样仿真误差:'num2str(err11)])
(6)yichuan_youhua_three_bpnetm
优优化权值阀值
inputnumsize(P1)输入层神元数
优优化权值阀值
inputnumsize(P1)输入层神元数
outputnumsize(T1)输出层神元数
新建BP网络
netnewff(minmax(P)[hiddennumoutputnum]{'tansig''logsig'}'trainlm')
设置网络参数:训练次数1000训练目标001学速率01
nettrainParamepochs1000
nettrainParamgoal001
LPlr01
nettrainParamshowNaN
BP神网络初始权值阀值
w1numinputnum*hiddennum输入层隐含层权值数
w2numoutputnum*hiddennum隐含层输出层权值数
w1bestX(1w1num)初始输入层隐含层权值
B1bestX(w1num+1w1num+hiddennum)隐含层神元阀值
w2bestX(w1num+hiddennum+1w1num+hiddennum+w2num)初始隐含层输出层权值
B2bestX(w1num+hiddennum+w2num+1w1num+hiddennum+w2num+outputnum)输出层神元阀值
netiw{11}reshape(w1hiddennuminputnum)
netlw{21}reshape(w2outputnumhiddennum)
netb{1}reshape(B1hiddennum1)
netb{2}reshape(B2outputnum1)
训练网络
nettrain(netPT)
三蠓虫预测
x[124 180128 184140 204]'
disp('优化权值阀值三样预测结果:')
Y_threesim(netx)
disp(num2str(Y_three))
文档香网(httpswwwxiangdangnet)户传
《香当网》用户分享的内容,不代表《香当网》观点或立场,请自行判断内容的真实性和可靠性!
该内容是文档的文本内容,更好的格式请下载文档