神经网络作业

BP神经网络及MATLAB实现 实验报告 姓名：李英杰 学号：123109302 专业：机械电子工程 2013年6月19日 1. BP网络的MATLAB设计 MatlabR2012 神经网络工具箱(Neural Network toolbox) 为用户提供了丰富的神经网络设计与分析函数,可是用它们来编程不容易掌握。我们通过对神经网络工具箱的实践应用研究明,使用神经网络工具箱中的NNTool对神经网络进行设计和仿真简便易行直观,不需要编程,且设计和仿真的结果证明完全能够满足一般工程设计人员的需要,能够取得事半功倍的效果。 下面我们以一个单隐含层的BP网络设计为例，介绍利用神经网络工具箱中的NNTool对BP网络的设计和分析。 利用NNTool设计一个BP 网络，该网络的输入层和输出层的神经元个数均为1。训练定义如下：      输入变量为   p =[-1 1 3 1；-1 1 5 -3]  目标变量为   t = [-1 2 4 3]  打开Matlab 应用软件后,双击Neural Network toolbox 中的NNTool 图标,或在命令窗口键入nntool，即可进入神经络设计主界面，如下图。 图1 　NNTool 设计主界面 1．训练样本数据的导入 点击New按钮,在弹出窗口选择Date选项卡，按如图2，3所示创建输入变量和目标变量。 图2 创建新的输入变量 图3 创建新的目标变量 2．神经网络的创建 点击主界面中点击New按钮，在弹出窗口选择Newwork选项卡，并在对话框中可对网络的名称、类型、结构和训练函数等进行设置，如图4 所示。 图4创建神经元网络界面 在上面窗口中对该网络命名为：tracylee； 网络类型为：Feed-forward backprop，即前馈BP神经网络； Input ranges ：点击Get From Input下拉框选择样本输入变量p加入输入向量； Training function：在下拉列表中选择TRAINGDM训练函数；采用动量梯度下降算法训练 BP 网络。  Adaption learning function和Performance function：一般分别选择默认的LRARNGDM和MSE。 Layer 1 Number of Neurons：隐层的神经元个数，这是需要经验慢慢尝试并调整的，大致上由输入向量的维数、样本的数量和输出层（Layer2）的神经元个数决定，根据下面的隐含层最佳神经单元个数参考公式先设置为3，还可以更改该层神经元的个数提高网络性能，因为对于BP网络，存在一个重要的结论，即单隐层的BP网络可以逼近任意的非线性映射，前提是隐含层的神经元个数可以任意调整。 设置完毕后，点击右下角的View 按钮,可查看神经网络的结构示意图，如图5 所示。 图5 神经网络结构示意图 3．神经网络的初始化 神经网络创建完之后,得到如图所示主界面。 图 6 创建样本和网络后的主界面 双击Netmworks下的bp_example1，选择View/Edit Weights选项卡,可以看到如图7所示的界面。 图7 网络权值或阈值修改界面 神经网络创建完之后，网络的权值和域值已进行了初始化，有时BP 网络训练时为避免陷入局部最优，有时需要对权值和域值重新设置,这在NNTool 中变得简单易行，在上面所示窗口中编辑即可。 4.神经网络的训练 设定好网络的权值和阀值后，选择上面窗口中的Train 选项卡，即可进入训练页面,设置好训练信息Training Info和训练参数Training Parameters 后,点击Train Network 即开始了对网络的训练。同时，可得到网络训练误差变化曲线。 图8 神经网络训练信息界面 上图的Training Info选项卡中，在输入向量[Inputs]和目标输入向量[Targets]下拉框中选择你要训练的向量（即第一步加入的对象）。 图9 神经网络训练参数设定 上图的Train Parameters选项卡，填入适当的最大训练次数epochs，目标误差goal，学习步长lr，最大失败次数max_fail，最小梯度要求min_grad，加速动量mc，结果显示频率show（例如要每隔50次训练显示结果，则填50），最大训练时间time。 图10 网络误差变化曲线 5．神经网络的仿真 当网络训练好之后，可以对其进行仿真，点击图中的Simulate 项，可进入训练页面，设置好仿真数据后，点击Simulate Network ，主界面的Outputs 框中出现仿真结果变量。 图11 Simulate仿真窗口 6．结果和数据的导出 网络经过训练和仿真后得到的主界面如下：图 训练和仿真后的主界面 与上面的主界面对比，该主界面包含了训练的输出结果和误差，仿真输入和输出。 为了保存上述主界面中的数据，点击Export 按钮，弹出如图的数据窗口，选择要保存的项，点击Export 则所选变量导出至工作空间；点击Save 则弹出文件对话框，可将所选变量保存至相应文件中。 图 导出数据窗口 到此，完成了一个BP网络的建立，训练，仿真与数据保存。如果还想进一步优化网络结构，还可以在图中改变隐层数，重新进行训练，也可以通过改变传函类型或训练算法研究它们对网络特性的影响。 从以上仿真实例可以看出，利用NNTtool 来构建神经网络系统，简单快速，精度较高，从神经网络模型建立、训练到最终的仿真分析，用户都不需要编写计算机程序，而且模型的改变、参数的修改简单易行，显示出了Matlab 功能的强大。需要指出的是，神经网络的种类很多，诸如：感知器神经网络、线性神经网络、径向基函数网络、自组织网络、反馈网络等等，也能执行上述功能。