2018年靖边建设项目招投标网站wordpress文章彩色字体

当前位置： 首页 > news >正文

2018年靖边建设项目招投标网站,wordpress文章彩色字体,python网站建设,哪个网站有高清图片做ppt目标 背影 BP神经网络的原理 BP神经网络的定义 BP神经网络的基本结构 BP神经网络的神经元 BP神经网络的激活函数#xff0c; BP神经网络的传递函数 数据 神经网络参数 基于BP神经网络 性别识别的MATLAB代码 效果图 结果分析 展望 背影 男人体内蛋白质比例大#xff0c;女生…目标 背影 BP神经网络的原理 BP神经网络的定义 BP神经网络的基本结构 BP神经网络的神经元 BP神经网络的激活函数 BP神经网络的传递函数 数据 神经网络参数 基于BP神经网络 性别识别的MATLAB代码 效果图 结果分析 展望 背影 男人体内蛋白质比例大女生脂肪比例大而蛋白质密度比脂肪大因此相同体积的男生比女生重。身高和体重和性别具有相关性通过身高和体重可以一定程度判断性别本文用BP神经网络以身高、体重为输入因子以性别为输出进行建模训练测试达到识别性别的目的 BP神经网络的原理 BP神经网络的定义 人工神经网络无需事先确定输入输出之间映射关系的数学方程仅通过自身的训练学习某种规则在给定输入值时得到最接近期望输出值的结果。作为一种智能信息处理系统人工神经网络实现其功能的核心是算法。BP神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络其算法称为BP算法它的基本思想是梯度下降法利用梯度搜索技术以期使网络的实际输出值和期望输出值的误差均方差为最小。 BP神经网络的基本结构 基本BP算法包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行而调整权值和阈值则从输出到输入的方向进行。正向传播时输入信号通过隐含层作用于输出节点经过非线性变换产生输出信号若实际输出与期望输出不相符则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传并将误差分摊给各层所有单元以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值使误差沿梯度方向下降经过反复学习训练确定与最小误差相对应的网络参数(权值和阈值)训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息自行处理输出误差最小的经过非线形转换的信息。 bp神经网络的神经元 神经网络是一种模仿动物神经网络行为特征进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度通过调整内部大量节点之间相互连接的关系从而达到处理信息的目的。 神经网络由多个神经元构成下图就是单个神经元的图1所示 。。。。。。。。。。。。。。。。。。。。。。。。图1 神经元模型 bp神经网络激活函数及公式 ![在这里插入图片描述](https://img-blog.csdnimg.cn/29edde342c3945939ad5945145ca8509.png BP神经网络传递函数及公式 图2是Sigmoid函数和双极S函数的图像其中Sigmoid函数的图像区域是0到1双极S函数的区间是正负1归一化的时候要和传递函数的区域相对应不然可能效果不好 神经网络就是将许多个单一的神经元联结在一起这样一个神经元的输出就可以是另一个神经元的输入。 例如下图就是一个简单的神经网络
基于BP神经网络的性别识别 基本模型通过 通过采集的男女生身高和体重进行BP神经网络建模以身高 和体重为输入变量以性别为输出变量进行训练和测试实现BP神经网络的性别识别 数据 神经网络参数 三层神经网络传递函数logsig tansig训练函数自适应动量因子梯度下降函数学习率0.01学习目标0.001最大迭代次数100 MATLAB编程代码 clc clear close all %% 读入数据 xlsfile‘student.xls’; [data,label]getdata(xlsfile); num [data label]; m200; n randperm(size(num,1)); input_trainnum(n(1:m),1:2)‘; %训练数据的输入数据 output_trainnum(n(1:m),3)’; %训练数据的输出数据 input_testnum(n(m1:end),1:2)‘; %测试数据的输入数据 output_testnum(n(m1:end),3)’; %测试数据的输出数据 %选连样本输入输出数据归一化 [inputn,inputps]mapminmax(input_train); %训练数据的输入数据的归一化 [outputn,outputps]mapminmax(output_train); %训练数据的输出数据的归一化de %% BP网络训练 % %初始化网络结构 netnewff(minmax(inputn),[12,1],{‘logsig’,‘tansig’},‘trainlm’); %net.trainParam.max_fail 9; net.trainParam.epochs2000; %最大迭代次数 net.trainParam.lr0.01; %学习率 net.trainParam.goal0.0001; %学习目标 %网络训练 nettrain(net,inputn,outputn); %% BP网络预测 %预测数据归一化 inputn_testmapminmax(‘apply’,input_test,inputps); %网络预测输出 ansim(net,inputn_test); %网络输出反归一化 BPoutputround(mapminmax(‘reverse’,an,outputps)); %% 结果分析 figure(1) plot(BPoutput(1,:),‘ro’) %预测的结果数据画图-代表虚线O代表圆圈标识r代表红色 hold on plot(output_test(1,:),‘k’); %期望数据即真实的数据画图-代表实现就是代表的标识,k代表黑色 legend(‘预测输出’,‘期望输出’)%标签 title(‘BP神经网络测试效果’,‘fontsize’,12)%标题 字体大小为12 ylabel(‘类别’,‘fontsize’,12)%Y轴 xlabel(‘样本’,‘fontsize’,12)%X轴 set(gca,‘YTick’,1:2) set(gca,‘YTickLabel’,{‘男’,‘女’}) ylim([0.8 2.2]) %预测误差 errorBPoutput-output_test; figure plot(error(1,:),‘-’) title(‘BP网络预测试误差’,‘fontsize’,12) ylabel(‘误差’,‘fontsize’,12) xlabel(‘样本’,‘fontsize’,12) 效果图 结果分析 从效果图上看BP神经网络能很好的实现对性别的识别BP神经网络是一种成熟的神经相对于其他神经网络拥有很多的训练函数传递函数可以调节的参数非常多对各种问题都可以达到一个比较理想的效果关键看如何调试参数选择训练传递函数有疑问或者其他应用方面欢迎大家扫描下面的二维码 展望 针对神经网络供工具箱可以自己写函数的代入并原本的工具箱函数可以有很多种改进方法