1. BP神經網絡的簡介和結構參數

神經網絡是機器學習中一種常見的數學模型，通過構建類似于大腦神經突觸聯接的結構，來進行信息處理。在應用神經網絡的過程中，處理信息的單元一般分為三類：輸入單元、輸出單元和隱含單元。 顧名思義：輸入單元接受外部給的信號與數據；輸出單元實現系統處理結果的輸出；隱含單元處在輸入和輸出單元之間，從網絡系統外部是無法觀測到隱含單元的結構的。除了上述三個處理信息的單元之外，神經元間的連接強度大小由權值等參數來決定。

1.1 BP神經網絡的結構組成

下圖是訓練神經網絡時經常出現的一個界面，從這部分我們可以看到，這是一個2輸入1輸出，8個隱含層的BP網絡，稱為2-8-1網絡結構

1.2 BP神經網絡訓練界面的參數解讀

需要注意的是：
????????1. 泛化性：表示BP神經網絡在訓練過程中，如果均方誤差（MSE）連續6次不降反升，則網絡停止訓練。

????????2. 誤差精度：關于mu參數含義的一種理解是，mu是誤差精度參數，用于給神經網絡的權重再加一個調制，這樣可以避免在BP網絡訓練的過程中陷入局部最小值，mu的范圍為0到1。

2. 實現BP網絡的步驟

讀取數據

設置訓練數據和預測數據

訓練樣本數據歸一化

構建BP神經網絡

網絡參數配置(訓練次數，學習速率，訓練目標最小誤差.等)

BP神經網絡訓練

測試樣本歸一化

BP神經網絡預測

預測結果反歸一化與誤差計算

驗證集的真實值與預測值誤差比較

首先以這個最簡單是前饋神經網絡為例子：

1.前饋

前饋代表了所有的信息都從輸入?經過某些中間的計算而最終輸出到?，而不存在從模型的輸出到輸入的反饋(feedback），對于有反饋的情況即為循環神經網絡(recurrent neural network)前饋網絡已經廣泛應用在工業界，其重要性不言而喻，而且它也是理解在自然語言處理中應用廣泛的循環神經網絡的基礎。

2.網絡

而網絡則代表了該模型是將不同的基本函數組合在一起形成的模型。

例如通過將三個函數?串聯起來構成最終的函數??，??就是網絡的第一層，?就是網絡的第二層，以此類推。這個鏈的長度又被稱作網絡的深度（depth)，深度學習也因此得名。

而前饋網絡的最后一層被稱作輸出層(output layer)，對于我們的訓練數據，每一個輸入??都有相應的標記??，而網絡的輸出層的結果需要盡量接近??。

但對于其它層來說，和訓練數據沒有這樣的直接對應關系，即我們的算法只要求最后的輸出接近于真實的標記，而對于中間每層的目的并沒有明確定義，所以這些層又被稱作隱藏層(hidden layer)。

3.神經

神經代表了它的靈感部分受到了神經科學的影響。每一隱藏層通常是矢量值，而這些隱藏層的維度定義了網絡的寬度。我們可以將每層看做從一個大的從矢量到矢量的函數映射，但從另一方面也可以將矢量的每個元素看做一個小的神經元，每個神經元進行了矢量到標量的映射操作（這一操作又被稱作激活函數，activation function），而每一層是不同的神經元并行運算的綜合。

前饋神經網絡是

1.讀取數據

%%簡單的前饋神經網絡 x = [0 1 2 3 4 5 6 7 8]; %初始數據輸入,x坐標值t = [0 0.84 0.91 0.14 -0.77 -0.96 -0.28 0.66 0.99];%輸出，y坐標值plot(x,t,'o') %x，y值一一對應

運行結果如下：

2.構建前饋型神經網絡

net = feedforwardnet(10);%前饋型神經網絡net = configure(net,x,t);% 配置網絡輸入和輸出,以達到最好的匹配輸入和目標數據.y1 = net(x)plot(x,t,'o',x,y1,'x')

?

?3.訓練網絡

net = train(net,x,t);y2 = net(x)plot(x,t,'o',x,y1,'x',x,y2,'*')

總結

以上是生活随笔為你收集整理的BP神经网络的搭建的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。