《matlab辅助神经网络设计》由会员分享，可在线阅读，更多相关《matlab辅助神经网络设计（61页珍藏版）》请在金锄头文库上搜索。
1、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、atlab的神经网络工具包第二节 感知器一、感知器神经元模型二、感知器的网络构造三、感知器神经网络的学习规则四、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措施六、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、线性神经网络构造三、线性神经学习网络的学习规则四、线性神经网络训练五、重要线性神经网络函数的使用措施六、线性神经网络的应用举例第四节 P网络一、P网络的网络构造二、BP网络学习规则三、BP网络的训练四、重要B神经网络函数的使用措施五、BP网络的应用举例第五节 径向基函数网络一、径向基函数神
2、经网络构造二、径向基函数的学习算法三、重要径向基函数的函数使用措施第六节 反馈网络一、Hopfied网络的构造与算法二、Hoied网络运营规则三、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、自组织特性映射的网络构造二、自组织特性映射网络的学习三、自组织特性映射网络的训练四、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研究成果表白，人脑是由约一千多亿个神经元（大脑皮层约10多亿，小脑皮层约1000多亿)交错在一起的、极其复杂的网状构造，能完毕智能、思维、情绪等高档精神活动,无论是脑科学还
3、是智能科学的发展都促使人们对人脑(神经网络)的模拟展开了大量的工作，从而产生了人工神经网络这个全新的研究领域。人工神经网络（ANS）常常简称为神经网络（NNS),是以计算机网络系统模拟生物神经网络的智能计算系统， 是对人脑或自然神经网络的若干基本特性的抽象和模拟。网络上的每个结点相称于一种神经元，可以记忆（存储）、解决一定的信息，并与其他结点并行工作。神经网络的研究最早要追述到4年代心理学家Mcculloh和数学家Pitt合伙提出的兴奋与克制型神经元模型和Hebb提出的神经元连接强度的修改规则，其成果至今仍是许多神经网络模型研究的基本。060年代的代表性工作重要有Rosenblatt的感知器模
4、型、Widrow的自适应网络元件Adline。然而在1969年Misky和Paert合伙刊登的Peceto一书中论述了一种悲观悲观的论点,在当时产生了极大的悲观影响,加之数字计算机正处在全盛时期并在人工智能领域获得明显成就,这导致了0年代人工神经网络的研究处在空前的低潮阶段。8年代后来,老式的Vo Numa数字计算机在模拟视听觉的人工智能方面遇到了物理上不可逾越的障碍。与此同步uear、Mcclelad和Hopfl等人在神经网络领域获得了突破性进展,神经网络的热潮再次掀起。目前较为流行的研究工作重要有：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本上
5、提出来的。它虽然反映了人脑功能的基本特性，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。求解一种问题是向人工神网络的某些结点输入信息,各结点解决后向其他结点输出，其他结点接受并解决后再输出，直到整个神经网工作完毕,输出最后成果。犹如生物的神经网络，并非所有神经元每次都同样地工作。如视、听、摸、想不同的事件（输入不同),各神经元参与工作的限度不同。当有声音时,解决声音的听觉神经元就要全力工作,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控制结点参与工作的限度。正权值相称于神经元突触受到刺激而兴奋,负权值相称于受到
6、克制而使神经元麻痹直到完全不工作。如果通过一种样板问题“教会”人工神经网络解决这个问题，即通过“学习”而使各结点的加权值得到肯定，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累知识,根据不同的问题自动调节一组加权值,使它具有良好的自适应性。此外，它本来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他结点顶替有故障结点参与工作，使系统不致中断。因此，它有很强的容错能力。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，适合于解决各类预测、分类、评估匹配、辨认等问题。例如,将人工神经网络上的各个结点模拟各地气象站,根据某一时刻的采样参数（压
7、强、湿度、风速、温度），同步计算后将成果输出到下一种气象站，则可模拟出将来气候参数的变化,作出精确预报。虽然有突变参数（如风暴，寒流）也能对的计算。因此，人工神经网络在经济分析、市场预测、金融趋势、化工最优过程、航空航天器的飞行控制、医学、环保等领域均有应用的前景。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，重要表目前三个方面：第一，具有自学习功能。例如实现图像辨认时,只需把许多不同的图像样板和相应的应辨认的成果输入人工神经网络,网络就会通过自学习功能,慢慢学会辨认类似的图像。自学习功能对于预测有特别重要的意义。人工神经网络计算机将为人类提供经济预测、市场预测、效益预测,其前程是很
8、远大的。第二,具有联想存储功能。人的大脑是具有联想功能的。如果有人和你提起你幼年的同窗张某某,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，具有高速寻找最优解的能力。寻找一种复杂问题的最优解,往往需要很大的计算量，运用一种针对某问题而设计的人工神经网络,发挥计算机的高速运算能力,也许不久找到最优解。人工神经网络是将来微电子技术应用的新领域,智能计算机的构成就是作为主机的冯诺依曼计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，其构造如图所示，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,但互相之间是互补
9、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;轴突相称于细胞的输出端，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。神经元具有兴奋和克制的两种工作状态。当传入的神经冲动，使细胞膜电位升高到阀值（约为40mV)时，细胞进入兴奋状态,产生神经冲动,由轴突输出。相反，若传入的神经冲动,使细胞膜电位下降到低于阀值时,细胞进入克制状态，没有神经冲动输出。图 生物神经元构造二、人工神经元模型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性，但不是也不也许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构
10、造模型。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似的。如图是一种典型的人工神经元模型：图 人工神经元模型神经元模型相称于一种多输入单输出的非线性阀值元件,X1，X,，Xn表达神经元的n个输入,W1，W,n表达神经元之间的连接强度，称为连接权,称为神经元的激活值,O表达这个神经元的输出，每个神经元有一种阀值，如果神经元输入信号的加权和超过，神经元就处在兴奋状态。以数学体现式描述为:O=f(-)三、tla的神经网络工具包由于神经网络自身的特点,计算中常常波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Matla，为我们提供了神经网络工
11、具箱ural tok Tolbox (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、设计、调节、优化。集成化的解决方式、和谐的界面、形象的演示过程、简易的操作,为神经网络应用者节省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也许。Malab是atworks公司开发的工程计算软件包，其中有一种神经网络工具包,可以用来以便地创立多种神经网络,对数据进行学习和模拟输出。tla中普遍采用的是物理和工程学中强有力的矩阵描述的语言，简洁优美。第二节 感知器感知器(Peeetrn)是一种特殊的神经网络模型，是由美国心理学家F.Rosenltt
12、于1958年提出的，一层为输入层,另一层具有计算单元,感知器特别适合于简朴的模式分类问题，也可用于基于模式分类的学习控制和多模态控制中。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21为感知器神经元模型。x1x2xRoooiwi1wi2wiR1o图21感知器神经元模型感知器神经元的每一种输入都相应于一种合适的权值，所有的输入与其相应权值的加权和作为阀值函数的输入。由于阀值函数的引入,从而使得感知器可以将输入向量分为两个区域，一般阀函数采用双极阶跃函数，如: （.）而感知器神经元模型的实际输出为 （.2)其中b为阀值二、感知器的网络构造
13、图2.2所描述的是一种简朴的感知器网络构造,输入层有R个输入,个输出，通过权值wij与s个感知器神经元连接构成的感知器神经网络。P oN1 obRQSRS1SQnSQa图2.2 感知器神经网络构造 根据网络构造，可以写出感知器解决单元对其输入的加权和操作，即： （23）而其输出ai为aif （ni+bi） （2.4)由式.1易知 (2.5）则当输入ni+i不小于等于，即有i-bi时，感知器的输出为1;否则输出为0。上面所述的单层感知器神经网络是不也许解决线性不可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.3描述了
14、一种双层感知器神经网络。其工作方式与单层感知器网络同样,只但是是增长了一层而已,具体的内容这里不做讨论。P ow11 obRQSRS1a1W2a2图2.3 感知器神经网络构造 ob三、感知器神经网络的学习规则感知器的学习规则重要是通过调节网络层的权值和阀值以便可以地网络的输入向量进行对的的分类。如图2.所示的输入向量P、输出和量a和目的向量为t的感知器神经网络,感知器的学习规则是根据如下输出矢量a也许浮现的几种状况未进行参与调节的:1)如果第i个神经元的输出是对的的，即有ai=t，则与第i个神经元联接的权值和阀值保持不变。2）如果第个神经元的输出是不对的，应当有两种状况。i)实际输出为0，而抱负输出为1，即有ai=，而ti1,则所有的输入j对权值和阀值进行调节,修正值w1j=j，bj=。ii)实际输出为1,而盼望输出为0,即有ai=，而ti0,则对所有的输入j进行权值和阀值调节，w1j=pj，b-。基于感知器误差e=ta，感知器学习规则可望写为:w1j=pj可以证明目前输入样本来自线性可分的模式时,上述学习算法在有限步同收敛,这时所得的权值能对所有样本对的分类,这一结论被称为感知器收敛定理。四、感知器神经网络的训练要使
