人工神經(jīng)網(wǎng)絡(luò)建模matlab.-文檔資料

1、1第十一章 人工神經(jīng)網(wǎng)絡(luò)建模（Artificial Neuron Nets） 一、引例 1981年生物學(xué)家格若根（W Grogan）和維什（WWirth）發(fā)現(xiàn)了兩類(lèi)蚊子(或飛蠓midges)他們測(cè)量了這兩類(lèi)蚊子每個(gè)個(gè)體的翼長(zhǎng)和觸角長(zhǎng)，數(shù)據(jù)如下：翼長(zhǎng) 觸角長(zhǎng) 類(lèi)別 1.64 1.38 Af 1.82 1.38 Af 1.90 1.38 Af 1.70 1.40 Af 1.82 1.48 Af 1.82 1.54 Af 2.08 1.56 Af翼長(zhǎng) 觸角長(zhǎng) 類(lèi)別1.78 1.14 Apf1.96 1.18 Apf1.86 1.20 Apf1.72 1.24 Af2.00 1.26 Apf2.00

2、1.28 Apf1.96 1.30 Apf1.74 1.36 Af2 問(wèn)：如果抓到三只新的蚊子，它們的觸角長(zhǎng)和翼長(zhǎng)分別為(l.24,1.80); (l.28，1.84)；（1.40，2.04）問(wèn)它們應(yīng)分別屬于哪一個(gè)種類(lèi)？ 解法一： 把翼長(zhǎng)作縱坐標(biāo)，觸角長(zhǎng)作橫坐標(biāo)；那么每個(gè)蚊子的翼長(zhǎng)和觸角決定了坐標(biāo)平面的一個(gè)點(diǎn).其中 6個(gè)蚊子屬于 APf類(lèi)；用黑點(diǎn)“”表示；9個(gè)蚊子屬 Af類(lèi)；用小圓圈“?！北硎?得到的結(jié)果見(jiàn)圖1 3 圖1 飛蠓的觸角長(zhǎng)和翼長(zhǎng) 4 思路：作一直線將兩類(lèi)飛蠓分開(kāi) 例如；取A（1.44，2.10）和 B(1.10，1.16)，過(guò)A B兩點(diǎn)作一條直線： y 1.47x - 0.017，

3、 其中X表示觸角長(zhǎng)；y表示翼長(zhǎng) 分類(lèi)規(guī)則：設(shè)一個(gè)蚊子的數(shù)據(jù)為（x, y）, 如果y1.47x - 0.017，則判斷蚊子屬Apf類(lèi)； 如果y1.47x - 0.017；則判斷蚊子屬Af類(lèi) 5 分類(lèi)結(jié)果：(1.24，1.80)，(1.28，1.84)屬于Af類(lèi)；(1.40，2.04）屬于 Apf類(lèi)圖2 分類(lèi)直線圖 6 缺陷：根據(jù)什么原則確定分類(lèi)直線？ 若取A=(1.46,2.10), B=(1.1,1.6)不變，則分類(lèi)直線變?yōu)?y=1.39x+0.071分類(lèi)結(jié)果變?yōu)椋?(1.24,1.80)， (1.40,2.04) 屬于Apf類(lèi)； (1.28,1.84)屬于Af類(lèi) 哪一分類(lèi)直線才是正確的呢？

4、因此如何來(lái)確定這個(gè)判別直線是一個(gè)值得研究的問(wèn)題一般地講，應(yīng)該充分利用已知的數(shù)據(jù)信息來(lái)確定判別直線7 再如，如下的情形已經(jīng)不能用分類(lèi)直線的辦法： 新思路：將問(wèn)題看作一個(gè)系統(tǒng)，飛蠓的數(shù)據(jù)作為輸入，飛蠓的類(lèi)型作為輸出，研究輸入與輸出的關(guān)系。8二、神經(jīng)元與神經(jīng)網(wǎng)絡(luò) 大腦可視作為1000多億神經(jīng)元組成的神經(jīng)網(wǎng)絡(luò) 神經(jīng)元的解剖圖 圖3 神經(jīng)元的解剖圖9 神經(jīng)元的信息傳遞和處理是一種電化學(xué)活動(dòng)樹(shù)突由于電化學(xué)作用接受外界的刺激；通過(guò)胞體內(nèi)的活動(dòng)體現(xiàn)為軸突電位，當(dāng)軸突電位達(dá)到一定的值則形成神經(jīng)脈沖或動(dòng)作電位；再通過(guò)軸突末梢傳遞給其它的神經(jīng)元從控制論的觀點(diǎn)來(lái)看；這一過(guò)程可以看作一個(gè)多輸入單輸出非線性系統(tǒng)的動(dòng)態(tài)過(guò)程

5、 神經(jīng)網(wǎng)絡(luò)研究的兩個(gè)方面 從生理上、解剖學(xué)上進(jìn)行研究 從工程技術(shù)上、算法上進(jìn)行研究10三、人工神經(jīng)網(wǎng)絡(luò)（Artificial Neuron Nets, 簡(jiǎn)稱(chēng)ANN） 神經(jīng)元的數(shù)學(xué)模型 圖4神經(jīng)元的數(shù)學(xué)模型 11 其中x（x1，xm）T 輸入向量，y為輸出，wi是權(quán)系數(shù)；輸入與輸出具有如下關(guān)系：miiixwfy1)( 為閾值，f（X）是激發(fā)函數(shù)；它可以是線性函數(shù)，也可以是非線性函數(shù) 12例如，若記 取激發(fā)函數(shù)為符號(hào)函數(shù) miiixwz1. 0, 0, 0, 1)sgn(xxx13則 S型激發(fā)函數(shù)： miiimiiixwxwzfy11, 0, 1)(,11)(xexf; 1)(0 xf14或 注：

6、若將閾值看作是一個(gè)權(quán)系數(shù)，-1是一個(gè)固定的輸入，另有m-1個(gè)正常的輸入，則（1）式也可表示為： （1） ,)(xxxxeeeexf. 1)(1xfmiiixwfy1)( （1） 參數(shù)識(shí)別：假設(shè)函數(shù)形式已知，則可以從已有的輸入輸出數(shù)據(jù)確定出權(quán)系數(shù)及閾值。 152、神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型 眾多神經(jīng)元之間組合形成神經(jīng)網(wǎng)絡(luò)，例如下圖的含有中間層（隱層）的B-P網(wǎng)絡(luò) 圖5 帶中間層的B-P網(wǎng)絡(luò) 163、量變引起質(zhì)變-神經(jīng)網(wǎng)絡(luò)的作用 （1）螞蟻群 一個(gè)螞蟻有50個(gè)神經(jīng)元，單獨(dú)的一個(gè)螞蟻不能做太多的事；甚至于不能很好活下去但是一窩螞蟻；設(shè)有 10萬(wàn)個(gè)體，那么這個(gè)群體相當(dāng)于500萬(wàn)個(gè)神經(jīng)元（當(dāng)然不是簡(jiǎn)單相加，這里

7、只為說(shuō)明方便而言）；那么它們可以覓食、搬家、圍攻敵人等等17（2）網(wǎng)絡(luò)說(shuō)話 人們把一本教科書(shū)用網(wǎng)絡(luò)把它讀出來(lái)（當(dāng)然需要通過(guò)光電，電聲的信號(hào)轉(zhuǎn)換）；開(kāi)始網(wǎng)絡(luò)說(shuō)的話像嬰兒學(xué)語(yǔ)那樣發(fā)出“巴、巴、巴”的聲響；但經(jīng)過(guò)BP算法長(zhǎng)時(shí)間的訓(xùn)練竟能正確讀出英語(yǔ)課本中 90的詞匯 從此用神經(jīng)網(wǎng)絡(luò)來(lái)識(shí)別語(yǔ)言和圖象形成一個(gè)新的熱潮184、人工神經(jīng)網(wǎng)絡(luò)的基本特點(diǎn) （1）可處理非線性 （2）并行結(jié)構(gòu)對(duì)神經(jīng)網(wǎng)絡(luò)中的每一個(gè)神經(jīng)元來(lái)說(shuō)；其運(yùn)算都是同樣的這樣的結(jié)構(gòu)最便于計(jì)算機(jī)并行處理 （3）具有學(xué)習(xí)和記憶能力一個(gè)神經(jīng)網(wǎng)絡(luò)可以通過(guò)訓(xùn)練學(xué)習(xí)判別事物；學(xué)習(xí)某一種規(guī)律或規(guī)則神經(jīng)網(wǎng)絡(luò)可以用于聯(lián)想記憶19 （4）對(duì)數(shù)據(jù)的可容性大在神經(jīng)網(wǎng)絡(luò)中

8、可以同時(shí)使用量化數(shù)據(jù)和質(zhì)量數(shù)據(jù)（如好、中、差、及格、不及格等） （5）神經(jīng)網(wǎng)絡(luò)可以用大規(guī)模集成電路來(lái)實(shí)現(xiàn)如美國(guó)用 256個(gè)神經(jīng)元組成的神經(jīng)網(wǎng)絡(luò)組成硬件用于識(shí)別手寫(xiě)體的郵政編碼20四、反向傳播算法（B-P算法） Back propagation algorithm 算法的目的：根據(jù)實(shí)際的輸入與輸出數(shù)據(jù)，計(jì)算模型的參數(shù)（權(quán)系數(shù)） 1簡(jiǎn)單網(wǎng)絡(luò)的B-P算法 21 圖6 簡(jiǎn)單網(wǎng)絡(luò) 22 假設(shè)有P個(gè)訓(xùn)練樣本，即有P個(gè)輸入輸出對(duì) （Ip, Tp）,p=1,P, 其中 輸入向量為 , 目標(biāo)輸出向量為（實(shí)際上的） TpmppiiI),.,(1TpnppttT),.,(123 網(wǎng)絡(luò)輸出向量為 （理論上的） Tpn

9、ppooO),.,(1 記wij為從輸入向量的第j (j=1,m) 個(gè)分量到輸出向量的第i (i=1,n)個(gè)分量的權(quán)重。通常理論值與實(shí)際值有一誤差，網(wǎng)絡(luò)學(xué)習(xí)則是指不斷地把與比較，并根據(jù)極小原則修改參數(shù)wij，使誤差平方和達(dá)最?。簄ipipiot12)(min （p=1,P） （2） 24 記 Delta學(xué)習(xí)規(guī)則學(xué)習(xí)規(guī)則: ijijijwwwPppjpipjPppipiijiiotw11)(pipipiot（4） （3） ijw表示遞推一次的修改量，則有表示遞推一次的修改量，則有稱(chēng)為學(xué)習(xí)的速率 25 ipm= -1 , wim= (第i個(gè)神經(jīng)元的閾值) （5） 注：由（1） 式，第i個(gè)神經(jīng)元的輸

10、出可表示為mjpjijpiiwfo1)( 特別當(dāng)f是線性函數(shù)時(shí) biwaomjpjijpi1)(（6）2627 圖7 多層前饋網(wǎng)絡(luò) 2多層前饋網(wǎng)絡(luò) 28假設(shè)： （l）輸入層不計(jì)在層數(shù)之內(nèi)，它有N0個(gè)神經(jīng)元設(shè)網(wǎng)絡(luò)共有L層；輸出層為第L層；第 k層有Nk個(gè)神經(jīng)元 (2) 設(shè))(iuk表示第k層第i神經(jīng)元所接收的信息 wk(i,j) 表示從第表示從第k-1層第層第j個(gè)元到第個(gè)元到第k層第層第i個(gè)元的權(quán)重，個(gè)元的權(quán)重， )(iak表第表第k層第層第i個(gè)元的輸出個(gè)元的輸出 29 （3）設(shè)層與層間的神經(jīng)元都有信息交換（否則，可設(shè)它們之間的權(quán)重為零）；但同一層的神經(jīng)元之間無(wú)信息傳輸 (4) 設(shè)信息傳輸?shù)姆较?/p>

11、是從輸入層到輸出層方向；因此稱(chēng)為前向網(wǎng)絡(luò)沒(méi)有反向傳播信息 （5） 表示輸入的第j個(gè)分量 )(0ja30 在上述假定下網(wǎng)絡(luò)的輸入輸出關(guān)系可以表示為：,1),()(),()(),()(.,1),()(),()(),()(,1),()(),()(),()(1101112221212211111011LLLNjLLLLNjNjNiiufiaijajiwiuNiiufiaijajiwiuNiiufiaijajiwiuL（7） 其中表示第k層第i個(gè)元的閾值. 31（9）PppEE1LNipLppiaitE12)()()()(21 定理2 對(duì)于具有多個(gè)隱層的前饋神經(jīng)網(wǎng)絡(luò)；設(shè)激發(fā)函數(shù)為S函數(shù)；且指標(biāo)函數(shù)取 （

12、8）32（10） 則每個(gè)訓(xùn)練循環(huán)中按梯度下降時(shí)；其權(quán)重迭代公式為),(), (), ()(1)() 1()(jajiwjiwplplplpl,.,1Ll 表示第-1層第個(gè)元對(duì)第層第個(gè)元輸入的第次迭代時(shí)的權(quán)重 ),()(jiwpl33其中 )()()()()()()()(iufiaitipLpLppL（12）（11）11)1(1)(1)()(),()()()(lNjplplplplijwjiufi. 11 Ll34BP算法 Step1 選定學(xué)習(xí)的數(shù)據(jù),p=1,P, 隨機(jī)確定初始權(quán)矩陣W（0） Step2 用（10）式反向修正,直到用完所有學(xué)習(xí)數(shù)據(jù).用學(xué)習(xí)數(shù)據(jù)計(jì)算網(wǎng)絡(luò)輸出 Step3 35 五應(yīng)用

13、之例：蚊子的分類(lèi) ),(), (), ()(1)() 1()(jajiwjiwplplplpl,.,1Ll 已知的兩類(lèi)蚊子的數(shù)據(jù)如表1： 36 翼長(zhǎng) 觸角長(zhǎng) 類(lèi)別 1.78 1.14 Apf 1.96 1.18 Apf 1.86 1.20 Apf 1.72 1.24 Af 2.00 1.26 Apf 2.00 1.28 Apf 1.96 1.30 Apf 1.74 1.36 Af目標(biāo)值目標(biāo)值0.90.1 37 翼長(zhǎng) 觸角長(zhǎng) 類(lèi)別 1.64 1.38 Af 1.82 1.38 Af 1.90 1.38 Af 1.70 1.40 Af 1.82 1.48 Af

14、1.82 1.54 Af 2.08 1.56 Af目標(biāo)目標(biāo)t0.1 38 輸入數(shù)據(jù)有15個(gè)，即 , p=1,15; j=1, 2; 對(duì)應(yīng)15個(gè)輸出。 建模：（輸入層，中間層，輸出層，每層的元素應(yīng)取多少個(gè)？） 建立神經(jīng)網(wǎng)絡(luò)39 規(guī)定目標(biāo)為： 當(dāng)t(1)=0.9 時(shí)表示屬于Apf類(lèi)，t(2)=0.1表示屬于Af類(lèi)。 設(shè)兩個(gè)權(quán)重系數(shù)矩陣為：) 3 , 2 () 2 , 2 () 1 , 2 () 3 , 1 () 2 , 1 () 1 , 1 (1111111wwwwwwW) 3 , 1 () 2 , 1 () 1 , 1 (2222wwwW40 其中 )()3

15、,(jjwii（分析如下： 為第一層的輸出，同時(shí)作為第二層的輸入。為閾值 )2()2()2 , 2() 1 () 1 , 2()2() 1 ()2()2 , 1 () 1 () 1 , 1 () 1 (101011101011awawuawawu)1 () 1 (11ufa)2()2(11ufa41 其中， 為閾值， 為激勵(lì)函數(shù) 1)3(0a若令 （閾值作為固定輸入神經(jīng)元相應(yīng)的權(quán)系數(shù)） 則有： （作為一固定輸入） ifjjw)3 ,(12 , 1j42 取激勵(lì)函數(shù)為 3101010101131010101011)(), 2 () 3 () 3 , 2 () 2 () 2 , 2 () 1 ()

16、 1 , 2 () 2 ()(), 1 () 3 () 3 , 1 () 2 () 2 , 1 () 1 () 1 , 1 () 1 (jjjajwawawawujajwawawawuxexf11)(43 則 )()(11iufia= 則 同樣，取 )(exp(111iu2 , 1i, 1) 3(1a)3 , 1 (2w)1 (exp(11) 1 ()(), 1 () 1 (2231122uajajwuj44令p=0 具體算法如下： （1）隨機(jī)給出兩個(gè)權(quán)矩陣的初值；例如用MATLAB軟件時(shí)可以用以下語(yǔ)句： )0(1W)0(2W=rand(2,3); =rand(1,3); (2) 根據(jù)輸入數(shù)據(jù)

17、利用公式算出網(wǎng)絡(luò)的輸出 45 取 3101010101131010101011)(), 2 () 3 () 3 , 2 () 2 () 2 , 2 () 1 () 1 , 2 () 2 ()(), 1 () 3 () 3 , 1 () 2 () 2 , 1 () 1 () 1 , 1 () 1 (jjjajwawawawujajwawawawu)() (11iufia)(exp(111iu=2 , 1i, 1) 3(1a)1 (exp(11) 1 ()(), 1 () 1 (2231122uajajwuj46（3）計(jì)算 xexf11)(因?yàn)?所以 （4）取 （或其他正數(shù)，可調(diào)整大?。?計(jì)算 2

18、)1 ()(xxeexf)1 ()1 () 1 () 1 (222ufat2222)1 (exp(1/()1 (exp()1 () 1 (uuat1 . 0), 1 ()1(2jWPj=1,2,3 47 j=1,2,3 )() 1 (), 1 (), 1 ()1(1)1(2)(2)1(2jajWjWpppp)()1(1ip(5) 計(jì)算 和 : ),()1(1jiWp)()1(1ip222)1(2)1(2)1 (exp(1/()1 (exp(), 1 () 1 (uuiWpp)()(),(),()1(0)1(1)(1)1(1jaijiWjiWppppj=1,2,3, i=1,2,3, 48 (6) p=p+1，轉(zhuǎn)（2） 注：僅計(jì)算一圈（p=1，2，15）是不夠的，直到當(dāng)