《有导师学神经网络的回归拟合ppt课件》由会员分享，可在线阅读，更多相关《有导师学神经网络的回归拟合ppt课件（16页珍藏版）》请在金锄头文库上搜索。
1、有导师学习神经网络的回归拟合 汽油辛烷值预测,基础理论,神经网络的学习规则又称神经网络的训练算法，用来计算更新神经网络的权值和阈值。学习规则有两大类别：有导师学习和无导师学习。在有导师学习中，需要为学习规则提供一系列正确的网络输入/输出对（即训练样本），当网络输入时，将网络输出与相对应的期望值进行比较，然后应用学习规则调整权值和阈值，使网络的输出接近于期望值。而在无导师学习中，权值和阈值的调整只与网络输入有关系，没有期望值，这类算法大多用聚类法，将输入模式归类于有限的类别。,1. BP神经网络概述,BP神经网络是一种典型的多层前向型神经网络，具有一个输入层、数个隐含层和一个输出层。层与层之间采
2、用全连接的方式，同一层神经元之间不存在相互连接。理论上已证明，具有一个隐含层的三层网络可以逼近任意非线性函数。 隐含层中的神经元多采用S型传递函数，输出层的神经元多采用线性传递函数。,典型的BP神经网络结构如图所示,IW1,1,b1,+,LW1,2,b2,+,输入层,隐含层,输出层,a1,a2,2. BP神经网络的学习算法 BP神经网络的误差反向传播算法是典型的有导师指导的学习算法，其具体思想是对一定数量的样本进行学习，即将样本的输入送至网络输入层的各个神经元，经隐含层和输出层计算后，输出层各个神经元输出对应的预测值，若预测值与期望值输出之间的误差不满足精度要求时，则从输出层反向传播该误差，从
3、而进行权值和阈值的调整，使得网络的输出和期望输出间的误差逐渐减小，直至满足精度要求；,BP网络的精髓： 将网络的输出与期望输出间的误差归结为权值和阈值的“过错”，通过反向传播把误差“分摊”给各个神经元的权值和阈值。 权值和阈值的调整要沿着误差函数下降最快的方向-负梯度方向。,设一对样本 为 ，隐含层神经元为 。输入层与隐含层间的网络权重为W1，隐含层与输出层神经元间的网络权值为W2.隐含层与输出层的阈值为,则隐含层神经元的输出为：,则输出层神经元的输出为：,网络输出与期望输出的误差为：,BP网络函数命令,(1) BP神经网络创建 net = newff(P,T,S1 S2 S(N-1),TF1
4、 TF2 TFN1, BTF,BLF,PF,IPF,OPF,DDF) (2) BP神经网络训练函数 net,tr,Y,E,Pf,Af = train (net,P,T,Pi,Ai) (3) BP网络预测函数 Y,Pf,Af,E,perf = sim (net, P,mPi,Ai,T),3. RBF神经网络 又称为多变量插值的径向基函数（radial basis function，RBF）方法。他能以任意精度逼近任意连续函数。用RBF作为隐含层神经元的“基”构成隐含层空间，可以将输入矢量直接映射到隐含层空间，而不需要通过权连接。当RBF中心确定了，映射关系也随着确定。隐含层空间到输出层空间的映射
5、是线性的，即网络的输出是隐含层神经元输出的线性加权和。 权值和阈值由线性方程组直接解出。,典型的RBF神经网络结构如图所示,IW1,1,b1,*,LW1,2,b2,+,输入层,隐含层,输出层,a1,a2,dist,RBF具体步骤,（1）确定隐含层神经元径向基函数中心 （2）确定隐含层神经元阈值 其中， spread为径向基函数的扩展速度。 （3）确定隐含层与输出层间权值和阈值,RBF网络函数命令,net = newrbe （P,T,spread）,实 例,辛烷值是汽油最重要的品质指标，传统的实验室检测方法存在样品用量大，测试周期长和费用高等问题，不适合于生产控制，特别是在线测试。 本实例采用近
6、红外光谱快速检测辛烷值。 60组汽油样品，采用传统的实验室检测方法测定了辛烷值含量。现在要求利用BP神经网络及RBF神经网络分别建立汽油样品近红外光谱与辛烷值间的数学模型，并对模型进行评价。,后面内容直接删除就行 资料可以编辑修改使用 资料可以编辑修改使用 资料仅供参考，实际情况实际分析,主要经营：课件设计，文档制作，网络软件设计、图文设计制作、发布广告等 秉着以优质的服务对待每一位客户，做到让客户满意！ 致力于数据挖掘，合同简历、论文写作、PPT设计、计划书、策划案、学习课件、各类模板等方方面面，打造全网一站式需求,感谢您的观看和下载,The user can demonstrate on a projector or computer, or print the presentation and make it into a film to be used in a wider field,
