神经网络建模.

《神经网络建模.》由会员分享，可在线阅读，更多相关《神经网络建模.（47页珍藏版）》请在金锄头文库上搜索。

1、人工神经网络建模 数学与信息科学系 1、神经网络简介 人工神经网络是在现代神经科学的基础上发展起来的， 旨在模拟人脑结构以及功能的一种抽象的数学模型,其 中Hopfield神经网络、ART神经网络、BP神经网络是常 用的网络。 Hopfield神经网络是由相同的神经元构成的单元，是一 类不具有学习能力的单层自联想网络，她的网络模型由 一组可使某一个能量函数最小的微分方程组成。 ART神经网络主要用于模式识别，她的不足之处在于 对转换、失真和规模变化较敏感 BP神经网络是误差反向传播的多层前向网络,其信息处 理机制由神经元激活特性和网络拓扑结构决定,神经元 的传递函数是非线性函数,网络结构由输入

2、层、隐含层 、输出层组成,同层节点间无关联 ,异层节点前向连接。 1.1、人工神经元模型 人工神经网络的基本单元的神经元模型 人工神经元的三个要素 1.2激活（传递）函数的取法 在Matlab工具箱里包括了许多激活（传递）函数。在 “Transfer Function Graphs”中可以找到它们的完全 列表 函数名 功 能 purelin 线性传递函数 hardlim 硬限幅递函数 hardlims 对称硬限幅递函数 satli 饱和线性传递函数 satlins 对称饱和线性传递函数 logsig 对数S 形传递函数 tansig 正切S 形传递函数 radbas 径向基传递函数 compe

3、t 竞争层传递函数 1.3、网络结构以及工作方式 从连接方式看NN主要有两种网络拓扑结构： 前馈型网络：结点分为输入单元和计算单元 反馈型网络：所有结点都是计算单元 NN的工作过程主要分为两个阶段： 第一阶段：学习期，此时个计算单元状态不变，各 连线上的权值可通过学习来修改 第二阶段：工作期，此时各连接权值固定，计算各 单元状态变化 网络结构：前馈型神经网络 两个或更多的上面所示的神经元可以组合成一层，一个典 型的网络可包括一层或者多层。我们首先来研究神经元层 。 单层神经元网络 有R输入元素和S个神经元组成的单层网络如下图所示 n1=net.IW1,1*p+net.b1 多层神经元网络 上面

4、所示的网络有R1个输入，第一层有S1个神经元，第二层 有S2个神经元 中间层的输出就是下一层的输入。第二层可看作有S1个输入 ，S2个神经元和S1xS2 阶权重矩阵W2 的单层网络。第二层 的输入是a1，输出是a2，现在我们已经确定了第二层的所有 向量和矩阵，我们就能把它看成一个单层网络了。其他层也 可以照此步骤处理。 多层网络的功能非常强大。例、一个两层的网络，第一层的 转移函数是曲线函数，第二层的转移函数是线性函数，通过 训练，它能够很好的模拟任何有有限断点的函数。这种两层 网络集中应用于“反向传播网络”。 注意:我们把第三层的输出a3标记为y。我们将使用这种符号 来定义这种网络的输出。

5、1.4创建网络 newp 创建感知器网络 newlind 设计一线性层 newlin 创建一线性层 newff 创建一前馈 BP 网络 newcf 创建一多层前馈 BP 网络 newfftd 创建一前馈输入延迟 BP 网络 newrb 设计一径向基网络 newrbe 设计一严格的径向基网络 newgrnn 设计一广义回归神经网络 newpnn 设计一概率神经网络 newc 创建一竞争层 newsom 创建一自组织特征映射 newhop 创建一 Hopfield 递归网络 newelm 创建一 Elman 递归网络 1.5数据结构:影响网络仿真的输入数据结构的格式 静态网络中的同步输入仿真： 例

6、1 动态网络中的异步输入仿真：当网络中存在延迟时，顺序发生的 输入向量就要按一定的序列输入网络。为了演示这种情况，我们 以一个有延迟的简单网络为例。 动态网络中的同步输入仿真 如果我们在上例中把输入作为同步而不是异步应用， 我们就会得到完全不同的响应。这就好象每一个输入 都同时加到一个单独的并行网络中。在前一个例子中 ，如果我们用一组同步输入，我们有： p1=1, p2=2,p3=3, p4=4 这可用下列代码创建： P =1 2 3 4; 模拟这个网络，我们得到： A = sim(net,P) A = 1 2 3 4 在某些特定的情况下，我们可能想要在同一时间模拟一些不同序 列的网络响应。这

7、种情况我们就要给网络输入一组同步序列。比 如说，我们要把下面两个序列输入网络： p(1)=1, p(2)=2,p(3)=3, p(4)=4 p(1)=4, p(2)=3,p(3)=2, p(4)=1 输入 P应该是一个细胞数组，每一个数组元素都包含了两个同时发生 的序列的元素。 P = 1 4 2 3 3 2 4 1; 现在我们就可以模拟这个网络了： A = sim(net,P); 网络输出结果将是： A = 1 4 4 11 7 8 10 5 可以看到，每个矩阵的第一列是由第一组输入序列产生的输出序 列，每个矩阵的第二列是由第二组输入序列产生的输出序列。这 两组序列之间没有关联，好象他们是同

8、时应用在单个的并行网络 上的。 前面的讨论中，不论是作为一个同步向量矩阵输 入还是作为一个异步向量细胞数组输入，模拟的 输出值是一样的。 在训练网络时，这是不对的。当我们使用adapt函 数时，如果输入是异步向量细胞数组，那么权重 将在每一组输入提交的时候更新（就是增加方 式）；如果输入是同步向量矩阵，那么权重将只 在所有输入提交的时候更新（就是批处理方式） 。 1.6训练方式 两种不同的训练方式 (1)增加方式：每提交一次输入数据，网络权重和偏置都更新一次; (2)在批处理方式中：仅仅当所有的输入数据都被提交以后，网络权重和偏置 才被更新. 增加方式（应用于自适应网络和其他网络） 虽然增加方

9、式更普遍的应用于动 态网络，比如自适应滤波，但是在静态和动态网络中都可以应用它。 静态网络中的增加方式 用增加方式来训练静态同步仿真中的例1，这样每提交一次输 入数据，网络权重和偏置都更新一次。 在此我们用函数adapt，并给出输入和目标序列：假定我们要 训练网络建立以下线性函数： t=2p1+p2 . 我们的输入是： 目标输出是： t1=4,t2=5 ,t3=7 ,t4=7 首先用0初始化权重和偏置。为了显示增加方式的效果，先把 学习速度也设为0。 net = newlin(-1 1;-1 1,1,0,0); net.IW1,1 = 0 0; net.b1 = 0; 为了用增加方式，我们把输

10、入和目标输出表示为以下序列： P = 1;2 2;1 2;3 3;1; T = 4 5 7 7; 用增加方式训练网络： net = newlin(-1 1;-1 1,1,0,0); net.IW1,1 = 0 0; net.b1 = 0; P = 1;2 2;1 2;3 3;1; T = 4 5 7 7; net,a,e,pf = adapt(net,P,T); 由于学习速度为0，网络输出仍然为0，并且权重没有 被更新。错误和目标输出相等。 a = 0 0 0 0 e = 4 5 7 7 如果我们设置学习速度为0.1，我们就能够看到当每一 组输入提交时，网络是怎么调整的了。 net.input

11、Weights1,1.learnParam.lr=0.1; net.biases1,1.learnParam.lr=0.1; net,a,e,pf = adapt(net,P,T); a = 0 2 6.0 5.8 e = 4 3 1.0 1.2 2、BP神经网络 2.1、概述 BP网络是采用Widrow-Hoff学习算法和非线性可微转移函 数的多层网络。一个典型的BP网络采用的是梯度下降算法 ，也就是Widrow-Hoff算法所规定的。backpropagation就 是指的为非线性多层网络计算梯度的方法。现在有许多基 本的优化算法，例如变尺度算法和牛顿算法。神经网络工 具箱提供了许多这样的

12、算法。 一个经过训练的BP网络能够根据输入给出合适的结果，虽 然这个输入并没有被训练过。这个特性使得BP网络很适合 采用输入/目标对进行训练，而且并不需要把所有可能的 输入/目标对都训练过。为了提高网络的适用性，神经网 络工具箱提供了两个特性-规则化和早期停止。 2.2、基础 网络结构 1）常用的前馈型BP网络的转移函数有logsig，tansig有时 也会用到线性函数purelin。当网络的最后一层采用曲线函 数时输出被限制在一个很小的范围内，如果采用线性函数 则输出可为任意值。如果需要也可以创建其他可微的转移 函数。 2）在BP网络中，转移函数可求导是非常重要的，tansig 、logsi

13、g和purelin都有对应的导函数dtansig、dlogsig和 dpurelin。为了得到更多转移函数的导函数,可以输入 tansig(deriv) ans = dtansig 网络构建和初始化 训练前馈网络的第一步是建立网络对象。 函数newff建立一个可训练的前馈网络。 net = newff(PR,S1 S2.SNl,TF1 TF2.TFNl,BTF,BLF,PF) 这里需要4个输入参数。 第一个参数是一个RxS1的矩阵以定义R个输入向量的最小值 和最大值。 第二个参数是一个每层神经元个数的数组。 第三个参数是包含每层用到的转移函数名称的细胞数组。 最后一个参数是用到的训练函数的名称

14、。 例、创建一个二层网络 它的输入是两个元素的向量，第一层有四个神经元，第二层有三个神 经元。第一层的转移函数是tan-sigmoid，输出层的转移函数是linear。 输入向量的第一个元素的范围是-1到2，输入向量的第二个元素的范 围是0到5，训练函数是traingd。 net=newff(-1 2; 0 5,4,3,tansig,purelin,traingd); 这个命令建立了网络对象并且初始化了网络权重和偏置，因此网络就可以进 行训练了。 在训练前馈网络之前，权重和偏置必须被初始化。初始化权重和 偏置的工作用命令init来实现。 net = init(net); 对前馈网络来说，有两种

15、不同的初始化方式经常被用到：initwb 和initnw。 1）initwb函数根据每一层自己的初始化参数 (net.inputWeightsi,j.initFcn)初始化权重矩阵和偏置。前馈网络 的初始化权重通常设为rands，它使权重在-1到1之间随机取值值 ，这种方式经常用在转换函数是线性函数时。 2）initnw通常用于转换函数是曲线函数。它根据Nguyen和 WidrowNgWi90为层产生初始权重和偏置值，使得每层神经元的 活动区域能大致平坦的分布在输入空间。它比起单纯的给权重和 偏置随机赋值有以下优点：（1）减少神经元的浪费（因为所有神 经元的活动区域都在输入空间内）。（2）有更快的训练速度（因 为输入空间的每个区域都在活动的神经元范围中）。 初始化函数被newff所调用。因此当网络创建 时，它根据缺省的参数自动初始化。 init不需要单独的调用。可是我们可能要重新初始化 权重和偏置或者进行自定义的初始化。例如，我们用 newff创建的网络，它缺省用initnw来初始化第一层 。如果我们想要用rands重新初始化第一层的权重和 偏置，我们用以下命令： net.layers1.initFcn = initwb; net.inputWeights1,1.i