BP神经网络实验报告要交.doc

BP神经网络实验报告要交.doc 本文档主要介绍了BP神经网络在红酒分类中的应用，通过对红酒化学成分的检测，使用BP神经网络对标准化且具有一致评判标准的数据进行训练，将来分类时仅仅使用理化指标进行评估，不带有人为主观因素。 一、BP网络简介 BP（Back Propagation）神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hidden layer)和输出层(output layer)。 二、BP神经元 BP神经元是BP神经网络的基本组成单元，它模仿了生物神经元所具有的三个最基本也是最重要的功能：加权、求和与转移。BP神经元的净输入值可以表示为： 净输入通过传递函数（TransferFunction）f (·)后，便得到BP神经元的输出： 式中f(·)是单调上升函数，而且必须是有界函数，因为细胞传递的信号不可能无限增加，必有一最大值。 三、建立BP神经网络 BP网络的设计主要包括网络层数、输入层节点数、隐含层节点数、输出层节点数及传输函数、训练方法、训练参数的设置等几个方面。 1、网络层数 BP网络可以包含一或者多个隐含层，但是对于大部分应用场合，一个隐含层就可以满足需要，但如果样本较多，可以增加隐含层数来减小网络规模。 2、输入层节点数 输入层节点取决于输入向量的维数，应从实际数据中抽象出模型，形成输入和输出空间。 3、隐含层节点数 隐含层节点数的选择对网络的影响最大，较多的隐含层节点数会带来更好的效果，但是会影响训练的时间。但是现在依然没有很好的公式来确定合理的神经元节点个数，这也是BP神经网络的一个瓶颈问题，目前也只是给出一个估计值。 4、输出层神经元个数 输出层神经元个数是由实际问题抽象出的模型决定的，比如最后结果是N种类别，则输出可以采用N个神经元。 5、传递函数 一般隐含层使用sigmoid函数，而输出层使用线性函数。 四、BP神经网络的训练策略及结果 本文借助于MATLAB神经网络工具箱来实现多层前馈BP网络（Multi-layer feed-forward backpropagation network）的颜色空间转换，免去了许多编写计算机程序的烦恼。神经网络的实际输出值与输入值以及各权值和阈值有关，为了使实际输出值与网络期望输出值相吻合，可用含有一定数量学习样本的样本集和相应期望输出值的集合来训练网络。 1、确定BP网络的结构 确定BP网络的结构需要确定网络层数、每层节点数、传递函数、初始权系数、学习算法等也就确定了BP网络。确定这些选项时有一定的指导原则，但更多的是靠经验和试凑。 1）隐含层数的确定： 1998年Robert Hecht-Nielson证明了对任何在闭区间内的连续函数，都可以用一个隐含层的BP网络来逼近，因而一个三层的BP网络可以完成任意的n维到m维的映照。因此我们从含有一个隐层的网络开始进行训练。 2）BP网络常用传递函数： BP网络常用的传递函数有多种。Log-sigmoid 型函数的输入值可取任意值，输出值在0和1之间；tan-sigmod 型传递函数tansig 的输入值可取任意值，输出值在-1到+1之间；线性传递函数purelin 的输入与输出值可取任意值。 BP神经网络在红酒分类中的应用前景广阔，通过对红酒化学成分的检测，使用BP神经网络对标准化且具有一致评判标准的数据进行训练，将来分类时仅仅使用理化指标进行评估，不带有人为主观因素。BP神经网络的应用不仅限于红酒分类，还可以应用于其他领域，如图像识别、语音识别、自然语言处理等。