数学建模神经网络建模.pptx

《数学建模神经网络建模.pptx》由会员分享，可在线阅读，更多相关《数学建模神经网络建模.pptx（47页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、1、神经网络简介 人工神经网络是在现代神经科学的基础上发展起来的，旨在模拟人脑结构以及功能的一种抽象的数学模型,其中Hopfield神经网络、ART神经网络、BP神经网络是常用的网络。Hopfield神经网络是由相同的神经元构成的单元，是一类不具有学习能力的单层自联想网络，她的网络模型由一组可使某一个能量函数最小的微分方程组成。ART神经网络主要用于模式识别，她的不足之处在于对转换、失真和规模变化较敏感BP神经网络是误差反向传播的多层前向网络,其信息处理机制由神经元激活特性和网络拓扑结构决定,神经元的传递函数是非线性函数,网络结构由输入层、隐含层、输出层组成,同层节点间无关联,异层节点前向连接

2、。第1页/共47页、人工神经元模型人工神经网络的基本单元的神经元模型第2页/共47页人工神经元的三个要素第3页/共47页激活（传递）函数的取法在Matlab工具箱里包括了许多激活（传递）函数。在“Transfer Function Graphs”中可以找到它们的完全列表 函数名 功 能 purelin 线性传递函数 hardlim 硬限幅递函数 hardlims 对称硬限幅递函数 satli 饱和线性传递函数 satlins 对称饱和线性传递函数 logsig 对数S 形传递函数 tansig 正切S 形传递函数 radbas 径向基传递函数 compet 竞争层传递函数 第4页/共47页第5

3、页/共47页、网络结构以及工作方式从连接方式看NN主要有两种网络拓扑结构：前馈型网络：结点分为输入单元和计算单元反馈型网络：所有结点都是计算单元NN的工作过程主要分为两个阶段：第一阶段：学习期，此时个计算单元状态不变，各连线上的权值可通过学习来修改第二阶段：工作期，此时各连接权值固定，计算各单元状态变化第6页/共47页网络结构：前馈型神经网络 两个或更多的上面所示的神经元可以组合成一层，一个典型的网络可包括一层或者多层。我们首先来研究神经元层。单层神经元网络 有R输入元素和S个神经元组成的单层网络如下图所示n1=net.IW1,1*p+net.b1第7页/共47页多层神经元网络 上面所示的网络

4、有R1个输入，第一层有S1个神经元，第二层有S2个神经元第8页/共47页中间层的输出就是下一层的输入。第二层可看作有S1个输入，S2个神经元和S1xS2 阶权重矩阵W2 的单层网络。第二层的输入是a1，输出是a2，现在我们已经确定了第二层的所有向量和矩阵，我们就能把它看成一个单层网络了。其他层也可以照此步骤处理。多层网络的功能非常强大。例、一个两层的网络，第一层的转移函数是曲线函数，第二层的转移函数是线性函数，通过训练，它能够很好的模拟任何有有限断点的函数。这种两层网络集中应用于“反向传播网络”。注意:我们把第三层的输出a3标记为y。我们将使用这种符号来定义这种网络的输出。第9页/共47页创建

5、网络newp 创建感知器网络 newlind 设计一线性层 newlin 创建一线性层 newff 创建一前馈 BP 网络 newcf 创建一多层前馈 BP 网络 newfftd 创建一前馈输入延迟 BP 网络newrb 设计一径向基网络 newrbe 设计一严格的径向基网络 newgrnn 设计一广义回归神经网络 newpnn 设计一概率神经网络 newc 创建一竞争层 newsom 创建一自组织特征映射 newhop 创建一 Hopfield 递归网络 newelm 创建一 Elman 递归网络 第10页/共47页数据结构:影响网络仿真的输入数据结构的格式静态网络中的同步输入仿真：例1第1

6、1页/共47页动态网络中的异步输入仿真：当网络中存在延迟时，顺序发生的输入向量就要按一定的序列输入网络。为了演示这种情况，我们以一个有延迟的简单网络为例。第12页/共47页动态网络中的同步输入仿真如果我们在上例中把输入作为同步而不是异步应用，我们就会得到完全不同的响应。这就好象每一个输入都同时加到一个单独的并行网络中。在前一个例子中，如果我们用一组同步输入，我们有：p1=1,p2=2,p3=3,p4=4 这可用下列代码创建：P=1 2 3 4;模拟这个网络，我们得到：A=sim(net,P)A=1 2 3 4 第13页/共47页在某些特定的情况下，我们可能想要在同一时间模拟一些不同序列的网络响

7、应。这种情况我们就要给网络输入一组同步序列。比如说，我们要把下面两个序列输入网络：p(1)=1,p(2)=2,p(3)=3,p(4)=4 p(1)=4,p(2)=3,p(3)=2,p(4)=1 输入 P应该是一个细胞数组，每一个数组元素都包含了两个同时发生的序列的元素。P=1 4 2 3 3 2 4 1;现在我们就可以模拟这个网络了：A=sim(net,P);网络输出结果将是：A=1 4 4 11 7 8 10 5 可以看到，每个矩阵的第一列是由第一组输入序列产生的输出序列，每个矩阵的第二列是由第二组输入序列产生的输出序列。这两组序列之间没有关联，好象他们是同时应用在单个的并行网络上的。第14

8、页/共47页前面的讨论中，不论是作为一个同步向量矩阵输入还是作为一个异步向量细胞数组输入，模拟的输出值是一样的。在训练网络时，这是不对的。当我们使用adapt函数时，如果输入是异步向量细胞数组，那么权重将在每一组输入提交的时候更新（就是增加方式）；如果输入是同步向量矩阵，那么权重将只在所有输入提交的时候更新（就是批处理方式）。第15页/共47页训练方式 两种不同的训练方式(1)增加方式：每提交一次输入数据，网络权重和偏置都更新一次;(2)在批处理方式中：仅仅当所有的输入数据都被提交以后，网络权重和偏置才被更新.增加方式（应用于自适应网络和其他网络）虽然增加方式更普遍的应用于动态网络，比如自适应

9、滤波，但是在静态和动态网络中都可以应用它。第16页/共47页静态网络中的增加方式 用增加方式来训练静态同步仿真中的例1，这样每提交一次输入数据，网络权重和偏置都更新一次。在此我们用函数adapt，并给出输入和目标序列：假定我们要训练网络建立以下线性函数：t=2p1+p2.我们的输入是：目标输出是：t1=4,t2=5,t3=7,t4=7 首先用0初始化权重和偏置。为了显示增加方式的效果，先把学习速度也设为0。net=newlin(-1 1;-1 1,1,0,0);net.IW1,1=0 0;net.b1=0;为了用增加方式，我们把输入和目标输出表示为以下序列：P=1;2 2;1 2;3 3;1;

10、T=4 5 7 7;第17页/共47页用增加方式训练网络：net=newlin(-1 1;-1 1,1,0,0);net.IW1,1=0 0;net.b1=0;P=1;2 2;1 2;3 3;1;T=4 5 7 7;net,a,e,pf=adapt(net,P,T);由于学习速度为0，网络输出仍然为0，并且权重没有被更新。错误和目标输出相等。a=0 0 0 0 e=4 5 7 7 如果我们设置学习速度为，我们就能够看到当每一组输入提交时，网络是怎么调整的了。net.inputWeights1,1.learnParam.lr=0.1;net.biases1,1.learnParam.lr=0.1

11、;net,a,e,pf=adapt(net,P,T);a=0 2 6.0 5.8 e=4 3 1.0 1.2 第18页/共47页2、BP神经网络、概述BP网络是采用Widrow-Hoff学习算法和非线性可微转移函数的多层网络。一个典型的BP网络采用的是梯度下 降 算 法，也 就 是 Widrow-Hoff算 法 所 规 定 的。backpropagation就是指的为非线性多层网络计算梯度的方法。现在有许多基本的优化算法，例如变尺度算法和牛顿算法。神经网络工具箱提供了许多这样的算法。一个经过训练的BP网络能够根据输入给出合适的结果，虽然这个输入并没有被训练过。这个特性使得BP网络很适合采用输入

12、/目标对进行训练，而且并不需要把所有可能的输入/目标对都训练过。为了提高网络的适用性，神经网络工具箱提供了两个特性-规则化和早期停止。第19页/共47页2.2、基础 网络结构 1）常用的前馈型BP网络的转移函数有logsig，tansig有时也会用到线性函数purelin。当网络的最后一层采用曲线函数时输出被限制在一个很小的范围内，如果采用线性函数则输出可为任意值。如果需要也可以创建其他可微的转移函数。2）在BP网络中，转移函数可求导是非常重要的，tansig、logsig和purelin都有对应的导函数dtansig、dlogsig和dpurelin。为了得到更多转移函数的导函数,可以输入t

13、ansig(deriv)ans=dtansig 第20页/共47页网络构建和初始化训练前馈网络的第一步是建立网络对象。函数newff建立一个可训练的前馈网络。net=newff(PR,S1 S2.SNl,TF1 TF2.TFNl,BTF,BLF,PF)这里需要4个输入参数。第一个参数是一个RxS1的矩阵以定义R个输入向量的最小值和最大值。第二个参数是一个每层神经元个数的数组。第三个参数是包含每层用到的转移函数名称的细胞数组。最后一个参数是用到的训练函数的名称。第21页/共47页例、创建一个二层网络它的输入是两个元素的向量，第一层有四个神经元，第二层有三个神经元。第一层的转移函数是tan-sig

14、moid，输出层的转移函数是linear。输入向量的第一个元素的范围是-1到2，输入向量的第二个元素的范围是0到5，训练函数是traingd。net=newff(-1 2;0 5,4,3,tansig,purelin,traingd);这个命令建立了网络对象并且初始化了网络权重和偏置，因此网络就可以进行训练了。第22页/共47页在训练前馈网络之前，权重和偏置必须被初始化。初始化权重和偏置的工作用命令init来实现。net=init(net);对前馈网络来说，有两种不同的初始化方式经常被用到：initwb和initnw。1）initwb函数根据每一层自己的初始化参数(net.inputWeigh

15、tsi,j.initFcn)初始化权重矩阵和偏置。前馈网络的初始化权重通常设为rands，它使权重在-1到1之间随机取值值，这种方式经常用在转换函数是线性函数时。2）initnw通常用于转换函数是曲线函数。它根据Nguyen和WidrowNgWi90为层产生初始权重和偏置值，使得每层神经元的活动区域能大致平坦的分布在输入空间。它比起单纯的给权重和偏置随机赋值有以下优点：（1）减少神经元的浪费（因为所有神经元的活动区域都在输入空间内）。（2）有更快的训练速度（因为输入空间的每个区域都在活动的神经元范围中）。第23页/共47页初始化函数被newff所调用。因此当网络创建时，它根据缺省的参数自动初始

16、化。init不需要单独的调用。可是我们可能要重新初始化权重和偏置或者进行自定义的初始化。例如，我们用newff创建的网络，它缺省用initnw来初始化第一层。如果我们想要用rands重新初始化第一层的权重和偏置，我们用以下命令：net.layers1.initFcn=initwb;net.inputWeights1,1.initFcn=rands;net.biases1,1.initFcn=rands;net.biases2,1.initFcn=rands;net=init(net);第24页/共47页网络模拟(SIM)用函数sim 模拟一个网络。sim 接收网络输入p，网络对象net，返回网

17、络输出a，这里是simuff用来模拟上面建立的带一个输入向量的网络。p=1;2;a=sim(net,p)a=-0.1011(用这段代码得到的输出是不一样的，这是因为网络初始化是随机的。)例、调用sim来计算一个同步输入3向量网络的输出：p=1 3 2;2 4 1;a=sim(net,p)第25页/共47页网络训练 一旦网络加权和偏差被初始化，网络就可以开始训练了。我们能够训练网络来做函数近似（非线性后退），模式结合，或者模式分类。训练处理需要一套适当的网络操作的例子-网络输入p和目标输出t。在训练期间网络的加权和偏差不断的把网络性能函数减少到最小。前馈网络的缺省性能函数是均方误差mse-网络输

18、出和目标输出t之间的均方误差。第26页/共47页反向传播算法 反向传播学习算法最简单的应用是沿着性能函数最速增加的方向-梯度的负方向更新权重和偏置。这种递归算法可以写成：xk+1=xk-a k*g k 这里xk是当前权重和偏置向量，g k是当前梯度，a k是学习速率。有两种不同的办法实现梯度下降算法：增加模式和批处理模式。在增加模式中，网络输入每提交一次，梯度计算一次并更新权重。在批处理模式中，当所有的输入都被提交后网络才被更新。第27页/共47页增加模式训练法（ADAPT）现在我们就可以开始训练网络了。当然我们要指定输入值和目标值如下所示：p=-1-1 2 2;0 5 0 5;t=-1-1

19、1 1;如果我们要在每一次提交输入后都更新权重，那么我们需要将输入矩阵和目标矩阵转变为细胞数组。每一个细胞都是一个输入或者目标向量。p=num2cell(p,1);t=num2cell(t,1);现在就可以用adapt来实现增加方式训练了:net,a,e=adapt(net,p,t);训练结束以后，就可以模拟网络输出来检验训练质量了。a=sim(net,p)a=-0.9995-1.0000 1.0001 1.0000 第28页/共47页带动力的梯度下降(LEARDGDM)批处理训练方式 批处理梯度下降法(TRAINGD)带动量的批处理梯度下降法（批处理训练方式 TRAINGDM）第29页/共4

20、7页例1、蠓虫分类问题1、蠓虫分类问题 生物学家试图对两种蠓虫（Af与Apf）进行鉴别，依据的资料是触角和翅膀的长度，已经测得了9支Af和6支Apf的数据如下：Af:(1.24,1.27)，(1.36,1.74)，(1.38,1.64)，(1.38,1.82)，(1.38,1.90)，(1.40,1.70)，(1.48,1.82)，(1.54,1.82)，(1.56,2.08)；Apf:(1.14,1.82)，(1.18,1.96)，(1.20,1.86)，(1.26,2.00)，(1.28,2.00)，(1.30,1.96).（i）根据如上资料，如何制定一种方法，正确地区分两类蠓虫。（ii）

21、对触角和翼长分别为(1.24,1.80)，(1.28,1.84)与(1.40,2.04)的3个标本，用所得到的方法加以识别。（iii）设Af是宝贵的传粉益虫，Apf是某疾病的载体，是否应该修改分类方法。第30页/共47页问题分析：要求依据已知资料（9支Af的数据和6支Apf的数据）制定一种分类方法，类别是已经给定的（Af或Apf）。我们将9支Af及6支Apf的数据集合称之为学习样本。2 多层前馈网络为解决此问题，考虑一个其结构如下图所示的人工神经网络输入层输出层中间层（隐层）第31页/共47页以s=1,2,15，分别表示学习样本中的15个样品，对样品s而言，对任何一组确定的输入I_ks(k=1

22、,2)隐单元j 的输入是相应的输出状态是网络的最终输出是第32页/共47页对于任何一组确定的输入 ，输出是所有权的函数。如果我们能够选定一组适当的权值，使得对应于学习样本中任何一组Af样品的输入，输出为(1,0)，对应于Apf的输入数据，输出为(0,1)，那么蠓虫分类问题实际上就解决了。因为，对于任何一个未知类别的样品，只要将其触角及翅膀长度输入网络，视其输出模式靠近(1,0)亦或(0,1)，就可能判断其归属。当然，有可能出现介于中间无法判断的情况。现在的问题是，如何找到一组适当的权值，实现上面所设想的网络功能。第33页/共47页3 向后传播算法在1985年，美国加州大学的一个研究小组提出了所

23、谓向后传播算法（Back-Propagation）。我们希望对应于学习样本中Af样品的输出是(1,0)，对应于Apf的输出是(0,1)，这样的输出称之为理想输出。实际上要精确地作到这一点是不可能的，只能希望实际输出尽可能地接近理想输出。为清楚起见，把对应于样品s的理想输出记为 ，度量了在一组给定的权下，实际输出与理想输出的差异，由此，寻找一组恰当的权的问题，自然地归结为求适当W 的值，使E(W)达到极小的问题第34页/共47页最速下降法对每一个变量w_ij 或w 而言，这是一个连续可微的非线性函数，为了求得其极小点与极小值，最为方便的就是使用最速下降法。最速下降法是一种迭代算法，为求出E(W)

24、的（局部）极小，它从一个任取的初始点W_0 出发，计算在W_0点的负梯度方向 ，这是函数在该点下降最快的方向；只要 ，就可沿该方向移动一小段距离，达到一个新的点。不断重复这一过程，一定能达到E 的一个（局部）极小点。就本质而言，这就是BP算法的全部内容。然而，对人工神经网络问题而言，这一算法的具体形式是非常重要的，下面我们就来给出这一形式表达。第35页/共47页对于隐单元到输出单元的权w_ ij而言，最速下降法给出的每一步的修正量是可以看出，所有权的修正量都有如下形式指标p 对应于两个单元中输出信号的一端，q对应于输入信号的一端，v或者代表H或者代表I。第36页/共47页 由实际输出与理想输出

25、的差及 决定，而 则需依赖 算出，因此，这一算法才称为向后传播算法。利用这一迭代算法，最终生成在一定精度内满足要求的 的过程，称为人工神经网络的学习过程。可以看出，这里所提供的学习机制是元与元之间权的不断调整，学习样本中任何一个样品所提供的信息，最终将包含在网络的每一个权之中。参数h 的大小则反映了学习效率。第37页/共47页第38页/共47页4、蠓虫分类问题求解clearp1=1.24,1.27;1.36,1.74;1.38,1.64;1.38,1.82;1.38,1.90;1.40,1.70;1.48,1.82;1.54,1.82;1.56,2.08;1.28,2.00;1.30,1.96

26、;p=p1;p2;pr=minmax(p);goal=ones(1,9),zeros(1,6);zeros(1,9),ones(1,6);subplot(1,2,1)plot(p1(:,1),p1(:,2),h,p2(:,1),p2(:,2),o)subplot(1,2,2)net=newff(pr,3,2,logsig,logsig);net.trainParam.show=10;net.trainParam.lr=0.05;net.trainParam.epochs=3000;net.trainParam.goal=1e-10;net=train(net,p,goal);x=1.24 1.

27、80;1.28 1.84;1.40 2.04;y0=sim(net,p)y=sim(net,x)第39页/共47页例2、人口预测以下是从北京统计年鉴中得到的 1980-2010年的北京城近郊区户籍人口统计结果作为样本数据，建立人工神经网络模型，预测、2011年的北京城近郊区户籍人口第40页/共47页北京市人口数统计表：年份人数（万人）年份人数（万人）1980498.41996631.81981510.2 1997638.71982521.31998646.21983534.01999651.81984540.72000658.91985542.82001667.41986553.0200267

28、8.61987563.22003689.21988573.92004698.81989582.12005707.219905922006713.21991598.72007718.51992604.32008730.91993609.52009743.81994616.12010749.61995625.1第41页/共47页数据处理后的样本数据：样本用途样本组数输入一输入二输入三输入四输出学习样本10.49840.51020.52130.5340.540720.51020.52130.5340.54070.542830.52130.5340.54070.54280.55340.5340.540

29、70.54280.5530.563250.54070.54280.5530.56320.573960.54280.5530.56320.57390.582170.5530.56320.57390.58210.59280.56320.57390.58210.5920.598790.57390.58210.5920.59870.6043100.58210.5920.59870.60430.6095110.5920.59870.60430.60950.6161120.59870.60430.60950.61610.6251130.60430.60950.61610.62510.6318140.609

30、50.61610.62510.63180.6387150.61610.62510.63180.63870.6462160.62510.63180.63870.64620.6518170.63180.63870.64620.65180.6589180.63870.64620.65180.65890.6674190.64620.65180.65890.66740.6786200.65180.65890.66740.67860.6892210.65890.66740.67860.68920.6988220.66740.67860.68920.69880.7072检验样本230.6786 0.6892

31、0.69880.70720.7132240.6892 0.69880.70720.71320.7185250.6988 0.70720.71320.71850.7309260.7072 0.71320.71850.73090.7438270.7132 0.71850.73090.74380.7496第42页/共47页%样本训练net=newff(minmax(p),6,1,tansig,purelin,trainlm);%建立网络inputWeights=net.IW1,1;%当前输入层权值和阈值inputbias=net.b1;layerWeights=net.LW2,1;%当前网络层权值和

32、阈值layerbias=net.b2;第43页/共47页%网络参数设置net.performFcn=mse;net.trainParam.show=20;net.trainParam.goal=1e-5;net.trainParam.epochs=1000;net.trainParam.lr=0.15;net.trainParam.mc=0.9;第44页/共47页net=train(net,p,t);%训练网络y=sim(net,p);x=1984:2005;plot(x,y,h,x,t,*)e=t-y;hold on;plot(x,e);%样本检验y2=sim(net,p2);x=1:5;plot(x,y2,*);hold onplot(x,t2,red);%预测样本y3=sim(net,py);第45页/共47页最终编制的人口数量预测的BP神经网络主程序进行预测，检验结果显示2006、2007、2008、2009、2010年预测值分别为：，。将结果还原即为，万人。实际样本值分别为：，。检验结果与实际样本的差值的绝对值分别为，万人，这里取最大的误差万人，与实际样本比值为1.34%，检验结果的误差较小，可以达到预测的效果。网络训练成功后，预测可得到2011年北京市人口为万人。第46页/共47页感谢您的观看！第47页/共47页