《matlab与机械优化设计三级项目》由会员分享，可在线阅读，更多相关《matlab与机械优化设计三级项目（7页珍藏版）》请在金锄头文库上搜索。
1、matlab与机械优化设计三级项目 -BP神经网络的建立与matlab实现 组 员： 齐意媛 李健通 俞海坤 屈永豪 指导教师： 任素波 目录一、BP神经网络的概述2二、BP网络的构建2三、应用matlab进行计算4四、结论66一、BP神经网络的概述 BP网络（Back-ProPagationNetwork）又称反向传播神经网络，通过样本数据的训练，不断修正网络权值和阈值使误差函数沿负梯度方向下降，逼近期望输出。它是一种应用较为广泛的神经网络模型，多用于函数逼近、模型识别分类、数据压缩和时间序列预测等。BP网络由输入层、隐层和输出层组成，隐层可以有一层或多层，图2是mkn的三层BP网络模型，网
2、络选用S型传递函数，通过反传误差函数（Ti为期望输出、Oi为网络的计算输出），不断调节网络权值和阈值使误差函数E达到极小。BP网络具有高度非线性和较强的泛化能力，但也存在收敛速度慢、迭代步数多、易于陷入局部极小和全局搜索能力差等缺点。可以先用遗传算法对“BP网络”进行优化在解析空间找出较好的搜索空间，再用BP网络在较小的搜索空间内搜索最优解。二、BP网络的构建下面选取一个例子作为研究对象，选取运动员测试各项素质指标序号跳高成绩30行进跑立定三级跳远助跑摸高助跑46步跳高负重深蹲杠铃杠铃半蹲系数100m抓举12.243.29.63.452.151402.8115022.333.210.33.75
3、2.21203.410.97032.24393.52.21403.511.45042.323.210.33.652.21502.810.88052.23.210.13.52801.511.35062.273.4103.42.151303.211.56072.23.29.63.552.141303.511.86582.26393.52.11001.811.34092.23.29.63.552.11303.511.865102.243.29.23.52.11402.51150112.243.29.53.42.151152.811.950122.23.993.12802.21350132.23.19
4、.53.62.1902.711.170142.353.29.73.452.151304.610.8570153.09.33.32.051002.811.2501)输入输出层的设计该模型由每组数据的各项素质指标作为输入，以跳高成绩作为输出，所以输入层的节点数为8，输出层的节点数为1。2)隐层设计有关研究表明,有一个隐层的神经网络,只要隐节点足够多,就可以以任意精度逼近一个非线性函数。因此,本文采用含有一个隐层的三层多输入单输出的BP网络建立预测模型。在网络设计过程中,隐层神经元数的确定十分重要。隐层神经元个数过多,会加大网络计算量并容易产生过度拟合问题;神经元个数过少,则会影响网络性能,达不到预
5、期效果。网络中隐层神经元的数目与实际问题的复杂程度、输入和输出层的神经元数以及对期望误差的设定有着直接的联系。目前,对于隐层中神经元数目的确定并没有明确的公式,只有一些经验公式,神经元个数的最终确定还是需要根据经验和多次实验来确定。本文在选取隐层神经元个数的问题上参照了以下的经验公式:其中,n为输入层神经元个数,m为输出层神经元个数,a为1,10之间的常数。根据上式可以计算出神经元个数为4-13个之间，在本次实验中选择隐层神经元个数为6.网络结构示意图如下：BP神经网络通常采用Sigmoid可微函数和线性函数作为网络的激励函数。本文选择S型正切函数tansig作为隐层神经元的激励函数。而由于网
6、络的输出归一到-1,1范围内,因此预测模型选取S型对数函数tansig作为输出层神经元的激励函数。设定网络隐层和输出层激励函数分别为tansig和logsig函数,网络训练函数为traingdx,网络性能函数为mse,隐层神经元数初设为6。设定网络参数。网络迭代次数epochs为5000次,期望误差goal为0.00000001,学习速率lr为0.01。设定完参数后,开始训练网络。三、应用matlab进行计算代码如下P=3.2 3.2 3 3.2 3.2 3.4 3.2 3 3.2 3.2 3.2 3.9 3.1 3.2;9.6 10.3 9 10.3 10.1 10 9.6 9 9.6 9.
7、2 9.5 9 9.5 9.7;3.45 3.75 3.5 3.65 3.5 3.4 3.55 3.5 3.55 3.5 3.4 3.1 3.6 3.45;2.15 2.2 2.2 2.2 2 2.15 2.14 2.1 2.1 2.1 2.15 2 2.1 2.15;140 120 140 150 80 130 130 100 130 140 115 80 90 130;2.8 3.4 3.5 2.8 1.5 3.2 3.5 1.8 3.5 2.5 2.8 2.2 2.7 4.6;11 10.9 11.4 10.8 11.3 11.5 11.8 11.3 11.8 11 11.9 13 11
8、.1 10.85;50 70 50 80 50 60 65 40 65 50 50 50 70 70;T=2.24 2.33 2.24 2.32 2.2 2.27 2.2 2.26 2.2 2.24 2.24 2.2 2.2 2.35;p1,minp,maxp,t1,mint,maxt=premnmx(P,T);%创建网络net=newff(minmax(p1),8,6,1,tansig,tansig,purelin,trainlm);%设置训练次数net.trainParam.epochs = 5000;%设置收敛误差net.trainParam.goal=0.0000001;%训练网络net,tr=train(net,p1,t1); 计算显示如下%输入数据a=3.0;9.3;3.3;2.05;100;2.8;11.2;50;%将输入数据归一化a=premnmx(a);%放入到网络输出数据b=sim(net,a);%将得到的数据反归一化得到预测数据c=postmnmx(b,mint,maxt);再根据以上代码输入数据进行模拟运算的结果为c=2.1923四、结论 通过对matlab的更详细的了解可以更好的解决各种复杂问题，BP神经网络算法提供了一种普遍并且实用的方法从样例中学习值为实数、离散值或者向量的函数，BP神经网络对数据的分析十分重要，应该注意和掌握其应用。
