bp神经网络改进算法
一.使用说明
该程序有五个主要菜单项:
A.数据读入 (从已有数据文件中数据,包括网络结构,权值,学习率,样本等)
B.新建数据 (建立新的数据文件)
C.学习
D.测试
E.误差显示
操作过程:
1.使用已有的数据: A -> C -> D,E; (已有XOR.TXT, AND.TXT, OR.TXT)
2.新建数据文件: B -> A -> C -> D,E;
举例:求XOR问题数据文件的建立(菜单[B]的使用)
对话框(1)
输入层单元个数:2 (TAB键切换)
隐层单元个数:2
输出层单元个数:1
学习率:0.5
模式个数:4 ("输入"键)
对话框(2 -1)
第1个模式的输入值: (TAB键切换)
注意:0 (空格) 0
第1个模式的目标值:
0 ("输入"键)
对话框(2 - 2)
第2个模式的输入值: (TAB键切换)
0 (空格) 1
第2个模式的目标值:
1 ("输入"键)
对话框(2 - 3)
第3个模式的输入值: (TAB键切换)
1 (空格) 0
第3个模式的目标值:
1 ("输入"键)
对话框(2 - 4)
第4个模式的输入值: (TAB键切换)
1 (空格) 1
第4个模式的目标值:
0 ("输入"键)
二.程序说明
程序实现的是二层BP网络,通过从文件中读入数据来构建网络,同时读入对应的样本进行学习,测试.
ε=0.09 变量为max_error_tollerance;
forward_pass()向前计算输出值;
backward_pass()向后调整权值;
2021-12-10 02:42:18
49KB
1
基于BP网络的字母识别MATLAB仿真，该程序用MATLAB中的神经网络工具箱进行BP网络仿真，其中还带了训练样本集
2021-12-09 22:53:11
74KB
1
识别0-9十个数字，BP神经网络数字识别源代码
使用说明
第一步：训练网络。使用训练样本进行训练。（此程序中也可以不训练，因为笔者已经将训练好的网络参数保存起来了，读者使用时可以直接识别）
第二步：识别。首先，打开图像（256色）；再次，进行归一化处理，点击“一次性处理”；最后，点击“R”或者使用菜单找到相应项来进行识别。识别的结果显示在屏幕上，同时也输出到文件result.txt中。
该系统的识别率一般情况下为90%。
此外，也可以单独对打开的图片一步一步进行图像预处理工作，但要注意，每一步工作只能执行一遍，而且要按顺序执行。
具体步骤为：“256色位图转为灰度图”－“灰度图二值化”－“去噪”－“倾斜校正”－“分割”－“标准化尺寸”－“紧缩重排”。
注意，待识别的图片要与win.dat和whi.dat位于同一目录，这两文件保存训练后网络的权值参数。
具体使用请参照书中说明。
2021-12-09 14:40:03
59KB
1
NIST提供的是28 * 28的图片，因此输入层是754维的向量。隐层输出层为10维向量
公式定义：
输出层：01 ... 01
隐层：Y1 ... YN
输入层：X1 ... XM
输入层与隐层间的权值$ V_ {ij} $
隐层与输出层之间的权值$ W_ {jk} $
使用函数$ F（X）= \压裂{1} {1个+ E ^ { - X}} $
准确值D1 ... DL
学习率ETA
隐层与输出层间误差$ \ delta ^ o_k =（d_k - O_k）O_k（1-O_k）$
输入层与隐层间误差$ \ delta ^ y_j =（\ sum ^ {l} {k = 1} \ delta ^ o_kW {jk}）y_j（1-y_j）$
误差反传时$ \ Delta W_ {jk} = \ eta（d_k-O_k）O_k（1-O_k）* y_j $
$ \ Delta V_ {ij} = \ eta（\ sum ^ {l} {k = 1} \ delta ^ o_kW {jk}）y_j（1-y_j）X_i $
每次计算时先从输入层计算到输出层，然后算出三层间的两个误差，然后更新网络间的权值
2021-12-08 12:50:11
10.96MB
1
BP神经网络预测代码，可以直接运行。BP神经网络博客和代码参考地址：https://blog.csdn.net/qq_57971471/article/details/121766454
2021-12-07 19:09:56
1KB
1
摘要：本文提出了一种基于小波多层分解和BP神经网络相结合的模拟电路故障诊断方法。该方法利用了多层小波分解优异的时频特性来提取故障特征参数，进行能量特征提取、归一化，并结合BP网络强大的非线性分类能力和快速的收敛特性构造了一种既能用于诊断单故障，又能诊断多故障的模型。
本文以ITC'97标准电路中的CTSV滤波电路为诊断实例进行了仿真实验仿真，结果表明该方法比传统BP网络方法的学习收敛速度快得多。
0 引言
客观世界信号的本质决定了模拟电路的普遍性和不可替代性。模拟电路由于故障模型复杂、元件参数的容差、非线性、噪声以及大规模集成化等现象使电路故障信息表现为多特征、高噪声、非线性
2021-12-07 15:32:05
294KB
1
敏感性分析能够定量地评价模型输人变量的变化对输出结果产生的影响，是揭示模型蕴含规律的有效途径。本文将敏感分析方法应用于BP神经网络巢湖水华预测模型中，分析结果表明巢湖水华形成受诸多环境因子共同影响，水温、溶解氧、浊度、气温、光照强度等环境因子变化与藻类质量浓度变化相关，其中气温是最大影响因素，相对贡献率达到17.01％；气压的上升则不利用于藻类质量浓度的增加；pH值的上升对藻类质量浓度的影响有正有负。
2021-12-06 14:18:27
409KB
1