《2022年matlab辅助神经网络设计方案》由会员分享，可在线阅读，更多相关《2022年matlab辅助神经网络设计方案（45页珍藏版）》请在金锄头文库上搜索。
1、精品学习资源目录第一节神经网络基本理论一、人工神经网络概论二、生物神经元模型三、 Matlab 的神经网络工具包其次节感知器一、感知器神经元模型二、感知器的网络结构三、感知器神经网络的学习规章四、感知器神经网络的训练五、重要的感知器神经网络函数的使用方法六、感知器神经网络应用举例第三节线性神经网络 一、线性神经元模型二、线性神经网络结构三、线性神经学习网络的学习规章四、线性神经网络训练五、重要线性神经网络函数的使用方法六、线性神经网络的应用举例第四节 BP 网络一、 BP 网络的网络结构二、 BP 网络学习规章三、 BP 网络的训练四、重要 BP 神经网络函数的使用方法五、 BP 网络的应用举
2、例第五节径向基函数网络一、径向基函数神经网络结构二、径向基函数的学习算法欢迎下载精品学习资源三、重要径向基函数的函数使用方法第六节反馈网络一、 Hopfield 网络的结构与算法二、 Hopfield 网络运行规章三、重要的反馈网络函数 四、重要的自组织网络函数五、反馈网络应用举例第七节自组织网络一、自组织特点映射的网络结构二、自组织特点映射网络的学习三、自组织特点映射网络的训练四、重要的自组织网络函数五、自组织网络应用举例第一节 神经网络基本理论一、人工神经网络概论近代神经生理学和神经解剖学的争辩结果说明，人脑是由约一千多亿个神经元（大脑皮层约140 多亿，小脑皮层约1000 多亿）交叉在一
3、起的、极其复杂的网状结构，能完成智能、思维、心情等高级精神活动，无论是脑科学仍是智能科学的进展都促使人们对人脑（神经网络）的模拟开放了大量的工作，从而产生了人工神经网络这个全新的争辩领域；人工神经网络（ ANNS ）经常简称为神经网络（NNS ），是以运算机网络系统模拟生物神经网络的智能运算系统，是对人脑或自然神经网络的如干基本特性的抽象和模拟；网络上的每个结点相当于一个神经元，可以记忆（储备）、处理确定的信息，并与其它结点并行工作；神经网络的争辩最早要追述到40 岁月心理学家Mcculloch和数学家Pitts 合作提出的兴奋与抑制型神经元模型和Hebb 提出的神经元连接强度的修改规章，其成
4、果至今仍是许多神经网络模型争辩的基础；50 60 岁月的代表性工作主要有Rosenblatt 的感知器模型、 Widrow 的自适应网络元件欢迎下载精品学习资源Adaline ；然而在 1969 年 Minsky 和 Papert 合作发表的Perceptron 一书中阐述了一种消极悲观的论点，在当时产生了极大的消极影响，加之数字运算机正处于全盛时期并在人工智能领域取得显著成就，这导致了70 岁月人工神经网络的争辩处于空前的低潮阶段；80 岁月以后，传统的Von Neumann 数字运算机在模拟视听觉的人工智能方面遇到了物理上不行逾越的障碍；与此同时 Rumelhart 、Mcclelland
5、 和 Hopfield等人在神经网络领域取得了突破性进展，神经网络的热潮再次掀起；目前较为流行的争辩工作主要有：前馈网络模型、反馈网络模型、自组织网络模型等方面的理论；人工神经网络是在现代神经科学的基础上提出来的；它虽然反映了人脑功能的基本特点，但远不是自然神经网络的逼真描写，而只是它的某种简化抽象和模拟；求解一个问题是向人工神网络的某些结点输入信息，各结点处理后向其它结点输出，其它结点接受并处理后再输出，直到整个神经网工作完 毕，输出最终结果；如同生物的神经网络，并非全部神经元每次都一样地工作；如视、听、摸、想不同的大事（输入不同），各神经元参与工作的程度不同；当有声音时，处理声音的听觉神经
6、元就要全力工作，视觉、触觉神经元基本不工作，主管思维的神经元部分参与工作；阅读时，听觉神经元基本不工作；在人工神经网络中以加权值把握结点参与工作的程度；正权值相当于神经元突触受到刺激而兴奋，负权值相当于受到抑制而使神经元麻痹直到完全不工作；假如通过一个样板问题“教会”人工神经网络处理这个问题，即通过“学习”而使各结点的加权值得到确定，那么，这一类的问题它都可以 解；好的学习算法会使它不断积存学问，依据不同的问题自动调整一组加权值，使它具有良好的自适应性；此外，它原先就是一部分结点参与工 作；当某结点出故障时，它就让功能相近的其它结点顶替有故障结点参与工作，使系统不致中断；所以，它有很强的容错才
7、能；人工神经网络通过样板的“学习和培训”，可记忆客观事物在空间、时间方面比较复杂的关系，适合于解决各类推测、分类、评估匹配、识别等问题；例如，将人工神经网络上的各个结点模拟各地气象站，依据某一欢迎下载精品学习资源时刻的采样参数（压强、湿度、风速、温度），同时运算后将结果输出到下一个气象站，就可模拟出将来气候参数的变化，作出精确预报；即使有突变参数（如风暴，寒流）也能正确运算；所以，人工神经网络在经济分析、市场推测、金融趋势、化工最优过程、航空航天器的飞行把握、医 学、环境爱惜等领域都有应用的前景；人工神经网络的特点和优越性使它近年来引起人们的极大关注，主要表现在三个方面：第一，具有自学习功能；
8、例照实现图像识别时，只需把许多不同的图像样板和对应的应识别的结果输入人工神经网络，网络就会通过自学习功能，慢慢学会识别类似的图像；自学习功能对于推测有特别重要的意义；人工神经网络运算机将为人类供应经济推测、市场推测、效益推测，其前途是很远大的；其次，具有联想储备功能；人的大脑是具有联想功能的；假如有人和你提起你幼年的同学张某某，你就会联想起张某某的许多事情；用人工神经网络的反馈网络就可以实现这种联想；第三，具有高速查找最优解的才能；查找一个复杂问题的最优解，往往需要很大的运算量，利用一个针对某问题而设计的人工神经网络，发挥运算机的高速运算才能，可能很快找到最优解；人工神经网络是将来微电子技术应
9、用的新领域，智能运算机的构成就 是作为主机的冯 诺依曼运算机与作为智能外围机的人工神经网络的结合；二、生物神经元模型神经元是脑组织的基本单元，其结构如图1 所示，神经元由三部分构成：细胞体，树突和轴突；每一部分虽具有各自的功能，但相互之间是互补的；树突是细胞的输入端，通过细胞体间联结的节点“突触”接受四周细胞传出的神经冲动；轴突相当于细胞的输出端，其端部的众多神经未梢为信号的输出端子，用于传出神经冲动；神经元具有兴奋和抑制的两种工作状态；当传入的神经冲动，使细胞 膜电位上升到阀值（约为40mV ）时，细胞进入兴奋状态，产生神经冲欢迎下载精品学习资源动，由轴突输出；相反，如传入的神经冲动，使细胞
10、膜电位下降到低于阀值时，细胞进入抑制状态，没有神经冲动输出；欢迎下载精品学习资源二、人工神经元模型图 1 生物神经元结构欢迎下载精品学习资源人工神经元模型是以大脑神经细胞的活动规律为原理的，反映了大脑神经细胞的某些基本特点，但不是也不行能是人脑细胞的真实再现，从数学的角度而言，它是对人脑细胞的高度抽象和简化的结构模型；虽然人工神经网络有许多种类型，但其基本单元人工神经元是基本相同的；如图2 是一个典型的人工神经元模型：图 2 人工神经元模型神 经元 模 型 相当 于 一 个多 输 入 单 输 出的 非 线 性阀 值 元 件 ， X1 ，X2 ， Xn 表示神经元的 n 个输入， W1 ， W2
11、 ， Wn 表示神经元之间的连接强度，称为连接权， WiXi 称为神经元的激活值， O 表示这个神经元的输出，每个神经元有一个阀值 ，假如神经元输入信号的加权和超欢迎下载精品学习资源过 ，神经元就处于兴奋状态；以数学表达式描述为：O=fWiXi - 三、Matlab 的神经网络工具包由于神经网络自身的特点，运算中经常涉及到大量的训练样本数据、复杂的运算操作、繁琐的程序设计等问题；对此，具有强大功能的数学软件 Matlab ，为我们供应了神经网络工具箱NeuralNetwoksToolbox NNT 及丰富的函数命令； NNT 是进行神经网络训练和仿真的优良平台；常用来对网络进行初始化、仿真、设
12、计、调整、优化；集成化的处理方式、友好的 界面、形象的演示过程、简易的操作，为神经网络应用者节约了大量的不 必要的编程时间，使得非专业人士应用神经网络成为了可能；Matlab 是 Mathworks公司开发的工程运算软件包，其中有一个神经网络工具包，可以用来便利地创建各种神经网络，对数据进行学习和模拟输出；Matlab 中普遍接受的是物理和工程学中强有力的矩阵描述的语言，简洁漂亮；其次节 感知器感知器 Pereceptron是一种特别的神经网络模型，是由美国心理学家F.Rosenblatt 于 1958 年提出的，一层为输入层，另一层具有运算单元，感知器特别适合于简洁的模式分类问题，也可用于基
13、于模式分类的学习把握 和多模态把握中；一、感知器神经元模型感知器神经元通过对权值的训练，可以使感知器神经元的输出能代表对输入模式进行的分类，图2.1 为感知器神经元模型；x1o1图 2.1感知器神w经i1 元模型欢迎下载精品学习资源感知器神经元的每一个输入x都2 对应o于一个w合i2 适的权值，全部的输入与欢迎下载精品学习资源其对应权值的加权和作为阀值函数的输入；由于阀值函数的引i入，从而o 使w iR得感知器可以将输入向量分为两个区域，通常阀函数接受双极阶跃函数，xRo欢迎下载精品学习资源如：而感知器神经元模型的实际输出为f x1, x0, x0（ 2.1）0欢迎下载精品学习资源欢迎下载精品
14、学习资源其中 b 为阀值二、感知器的网络结构Rofwi xibi1（ 2.2）欢迎下载精品学习资源图 2.2 所描述的是一个简洁的感知器网络结构，输入层有R 个输入， Q个输出，通过权值wij 与 s 个感知器神经元连接组成的感知器神经网络；P oNaR Qn依据网络结构，可以写出S感知R器处理单元对其输入的加权和操作，S QS Q欢迎下载精品学习资源即：1 obS 1图 2.2感知器神经网络结构 ni而其输出 ai 为Rwij p jj 1（ 2.3）欢迎下载精品学习资源ai=fni+bi（ 2.4）由式 2.1 易知欢迎下载精品学习资源ia1nibi00nibi0（ 2.5）欢迎下载精品学习资源就当输入ni+bi 大于等于0，即有 ni bi 时，感知器的输出为1；否就输出为 0；上面所述的单层感知器神经网络是不行能解决线性不行分的输入向量分类问题，也不能推广到一般的前向网络中去；为解决这一问题，我们可以设计多层感知器神经网络以实现任意形状的划分；图 2.3 描述了一个双层感知器神经网络；其工作方式与单层感知器网络一样，只不过是增加了一层而已，具体的内容这里不做争辩；P ow1欢迎下载精品学习资源R Q
