《BP网络常用传递函数》由会员分享，可在线阅读，更多相关《BP网络常用传递函数（5页珍藏版）》请在金锄头文库上搜索。
1、BPBP 网络常用传递函数网络常用传递函数: :BP 网络的传递函数有多种。Log-sigmoid 型函数的输入值可取任意值，输出值在 0 和 1 之间；tan-sigmod 型传递函数 tansig 的输入值可取任意值，输出值在-1 到+1 之间；线性传递函数 purelin 的输入与输出值可取任意值。BP 网络通常有一个或多个隐层，该层中的神经元均采用 sigmoid 型传递函数，输出层的神经元则采用线性传递函数，整个网络的输出可以取任意值。各种传递函数如图 5.6 所示。只改变传递函数而其余参数均固定，用本章 5.2 节所述的样本集训练 BP 网络时发现，传递函数使用 tansig 函数
2、时要比 logsig 函数的误差小。于是在以后的训练中隐层传递函数改用 tansig 函数，输出层传递函数仍选用 purelin 函数。3 3） 每层节点数的确定：每层节点数的确定：使用神经网络的目的是实现摄像机输出 RGB 颜色空间与 CIE-XYZ 色空间转换，因此 BP 网络的输入层和输出层的节点个数分别为 3。下面主要介绍隐层节点数量的确定。对于多层前馈网络来说，隐层节点数的确定是成败的关键。若数量太少，则网络所能获取的用以解决问题的信息太少；若数量太多，不仅增加训练时间，更重要的是隐层节点过多还可能出现所谓“过渡吻合”（Overfitting）问题，即测试误差增大导致泛化能力下降，因
3、此合理选择隐层节点数非常重要。关于隐层数及其节点数的选择比较复杂，一般原则是：在能正确反映输入输出关系的基础上，应选用较少的隐层节点数，以使网络结构尽量简单。本论文中采用网络结构增长型方法，即先设置较少的节点数，对网络进行训练，并测试学习误差，然后逐渐增加节点数，直到学习误差不再有明显减少为止。newff()功能 建立一个前向 BP 网络格式 net = newff(PR，S1 S2.SN1，TF1 TF2.TFN1，BTF，BLF，PF)说明 net 为创建的新 BP 神经网络；PR 为网络输入取向量取值范围的矩阵；S1 S2SNl表示网络隐含层和输出层神经元的个数；TFl TF2TFN1表
4、示网络隐含层和输出层的传输函数，默认为tansig ；BTF 表示网络的训练函数，默认为trainlm ；BLF 表示网络的权值学习函数，默认为learngdm ；PF 表示性能数，默认为mse 。参数 TFi 可以采用任意的可微传递函数，比如 transig，logsig 和 purelin 等；训练函数可以是任意的 BP 训练函数，如 trainm，trainbfg，trainrp 和 traingd 等。BTF 默认采用 trainlm 是因为函数的速度很快，但该函数的一个重要缺陷是运行过程会消耗大量的内存资源。如果计算机内存不够大，不建议用 trainlm，而建议采用训练函数 trai
5、nbfg 或 trainrp。虽然这两个函数的运行速度比较慢，但它们的共同特点是内存占用量小，不至于出现训 练过程死机的情况。参数 TFi 可以采用任意的可微传递函数，比如 transig，logsig 和 purelin 等；训练函数可以是任意的 BP 训练函数，如 trainm，trainbfg，trainrp 和 traingd 等。BTF 默 认采用 trainlm 是因为函数的速度很快，但该函数的一个重要缺陷是运行过程会消耗大量的 内存资源。如果计算机内存不够大，不建议用 trainlm，而建议采用训练函数 trainbfg 或 trainrp。虽然这两个函数的运行速度比较慢，但它们
6、的共同特点是内存占用量小，不至于 出现训练过程死机的情况。训练函数：包括梯度下降 bp 算法训练函数 traingd，动量反传递的梯度下降 bp 算法训练 函数 traingdm，动态自适应学习率的梯度下降 bp 算法训练函数 traingda，动量反传和动态 自适应学习率的梯度下降 bp 算法训练函数 traingdx，levenberg_marquardt 的 bp 算法训练函 数 trainlm。BP 网络一般都是用三层的，四层及以上的都比较少用；传输函数的选择，这个怎么说，假设你想预测的结果是几个固定值，如 1,0 等，满足某个条件输出 1，不满足则 0 的话，首先想到的是 hardl
7、im 函数，阈值型的，当然也可以考虑其他的；然后，假如网络是用来表达某种线性关系时，用 purelin-线性传输函数；若是非线性关系的话，用别的非线性传递函数，多层网络时，每层不一定要用相同的传递函数，可以是三种配合，可以使非线性和线性，阈值的传递函数等；compet-竞争型传递函数；hardlim-阈值型传递函数；hardlims-对称阈值型传输函数；logsig-S 型传输函数；poslin-正线性传输函数；purelin-线性传输函数；radbas-径向基传输函数；satlin-饱和线性传输函数；satlins-饱和对称线性传输函数；softmax-柔性最大值传输函数；tansig-双曲
8、正切 S 型传输函数；tribas-三角形径向基传输函数；二、神经元上的传递函数 传递函数是 BP 网络的重要组成部分，必须是连续可微的，BP 网络常采用 S 型的 对数或正切函数和线性函数。 Logsig 传递函数为 S 型的对数函数。 调用格式为： A=logsig（N） N：Q 个 S 维的输入列向量； A：函数返回值，位于区间(0,1) 中info=logsig（code） 依据 code 值的不同返回不同的信息，包括：deriv返回微分函数的名称； name返回函数全程； output返回输出值域； active返回有效的输入区间例如：n=-10：0.1: 10; a=logsig(
9、n);plot(n,a) matlab 按照来计算对数传递函数的值：n=2/(1+exp(-2n) 函数 logsig 可将神经元的输入（范围为整个实数集）映射到区间（0，1）中。 三、BP 网络学习函数 learngd 该函数为梯度下降权值/阈值学习函数，通过神经元的输入和误差，以及权值和阈值的学习 速率，来计算权值或阈值的变化率。 调用格式; dW,ls=learngd(W,P,Z,N,A,T,E,gW,gA,D,LP,LS)以一个单隐层的 BP 网络设计为例，介绍利用神经网络工具箱进行 BP 网络设计及分析 的过程 1. 问题描述通过对函数进行采样得到了网络的输入变量 P 和目标变量 T
10、： P=-1：0.1:1; T=-0.9602 -0.577. -0.0729 0.3771 0.6405 0.6600 0.4609 0.1336 -0.2013 -0.4344 -0.5000 -0.3930 -0.1647 0.0988 0.3072 0.3960 0.3449 0.1816 -0.0312 -0.2189 -0.3201 2. 网络的设计网络的输入层和输出层的神经元个数均为 1，网络的隐含神经元个数应该在 38 之间。 网络设计及运行的代码： s=3:8; res=1:6; for i=1:6; net=newff(minmax(P),s(i),1,tansig,log
11、sig,traingdx);net.trainParam.epachs=2000;net.trainParam.goal=0.001;net=train(net,P,T)y=sim(net,P)error=y-T;res(i)=norm(error); end 代码运行结果：网络训练误差%获取训练数据与预测数据 input_train=data(n(1:9900),1:3);output_train=data1(n(1:9900),1); input_test=data(n(9901:10000),1:3); output_test=data1(n(9901:10000),1); %数据归一化
12、 inputn,inputps=mapminmax(input_train); outputn,outputps=mapminmax(output_train); % bp 训练 %初始化网络结构 net=newff(inputn,outputn,100); net.trainParam.show=30; net.trainParam.epochs=300; net.trainParam.lr=0.01; net.trainParam.goal=1e-6; %网络训练 net=train(net,inputn,outputn); % bp 预测 %预测数据归一化 inputn_test=map
13、minmax(apply,input_test,inputps); %网络预测输出 an=sim(net,inputn_test); %网络输出反归一化 BPoutput=mapminmax(reverse,an,outputps); % 结果分析 figure plot(BPoutput,:og); hold on plot(output_test,-*); legend(预测输出,期望输出,fontsize,12) title(BP 网络预测输出,fontsize,12) xlabel(样本,fontsize,12) ylabel(输出,fontsize,12) %预测误差 error=BPoutput-output_test; figure plot(error,-*) title(神经网络预测误差) errorsum=sum(abs(error) save data2 net inputps outputps
