BP神经网络--matlab

建模快乐；

    今天讲解一下神经网络算法，我们中文博大精深，从这个东西的名字就能感受到这个事物的杀气，我们从名字入手，首先想到是什么，当然是我们头脑里面的各种神经网络，各种神经细胞，各种突触，感受器是吧，我们的算法，也是同样的道理，利用的是什么，利用的就是各种突触之间，进行层次传递，然后，传递之间进行不断的修正，其实这个和迭代效果差不多，但是呢，这里在一次迭代过程中，加入了很多权重，很像神经网络，其实本质上，也没有什么很复杂的东西，这个和回归分析什么的，都是一个目的，就是让这个误差达到最小，我们学习这个东西，头脑里，一定要有一个概念，实际数据，理想数据，误差，这个就一定要有意识，把我们的世界分成两个，一个是理想世界，一个是观察世界，我们知道，理想是不存在的，所以，误差是永远存在的，我们的目的就是，尽量的让这个误差最小，这就是我们的目的，而误差最小，怎么也离不开方差，最小二乘法的思想！

使用：我们学习一个东西，当然是拿来使用的，而不是拿来好看的，那么神经网络到底是干什么的，很简单，进行智能识别的，比如说，给电脑一个动物的照片，电脑可以告诉你这个是猪，还是狗；你给他一段音乐，他可以告诉你，这个是哪个乐器演奏的，就是这样，  那么再扩大一点呢？

    那么地方就多了，比如说：模式识别，图像处理，智能控制，组合优化，金融预测（涨还是跌),机器人，等等，提出了四十多种神经网络，然后，我们今天只讲一个简单的，bp神经网络；

 概念：  好的，我们进入整体，神经网络算法到底是什么呢，这个就必须要数形结合，把图像放上来，一切就变得很清晰了；

整体结构：输入，求和，激活函数；

整体思想：通过构建一个基本的网络框架，给予数据的基本范围，输入训练数据，进行迭代，找到误差最小的权重，然后开始预测；这就是基本的思想；那么这个权重的取值过程，就很深入了，需要我们的数学知识；

w 就是我们的权重 ，x就是我们的输入数据，而y就是我们的输出数据，一般输出的是什么，是我们的判断，因为我们的神经网络到底干什么的，是拿来进行判断的；那么输出结果就是，这个东西，是什么，是吧，那么就是1|0，这样是把，所以输出比较简单，；重点就是，这个w是如何确定的，那么这个激活函数就什么，阈值是什么，通过字面意思，我们猜一猜，可以知道，超过这个阈值，我们就开启激活函数，激活了，这个东西就成立，就返回1；

好的，这个是神经网络的大概思想，我们现在开始进入bp神经网络：

上图：

BP网络就是，这种网状，一个x1进入，然后形成三个，因为隐含层有三个，所以，求和函数，就是把这个分散的数据，再次聚合在一起，各个数据，结果不同的权重，就形成了完全不一样的效果，然后去瞧一瞧阈值，如果你力度过，那么就有幸激活，激活函数；

原理：激活函数几个常见的：purelin 线性传递函数

                                            logsig 对数s形传递函数

                                            。。。

这些都是基于matlab的；

然和呢，

 

实现：

clear
clc
%第一个种类
p1=[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];
%第二个种类
p2=[1.14,1.82;1.18,1.96;1.20,1.86;1.26,2.00;1.28,2.00;1.30,1.96];
%种类合成，进行训练一次性输入
p=[p1;p2]';
%获取一个属性的取值范围，我们这里一共就两个属性；
pr=minmax(p);  
%这个是训练的目标，训练完毕要到达这种兄啊过
goal=[ones(1,9),zeros(1,6);zeros(1,9),ones(1,6)];
%离散图像绘制，观察一下
plot(p1(:,1),p1(:,2),'h',p2(:,1),p2(:,2),'o')
net=newff(pr,[3,2],{'logsig','logsig'});
net.trainParam.show=10;                %每隔10步显示一次训练结果
net.trainParam.lr=0.05;                %学习速率0.05
net.trainParam.goal=1e-10;             %训练目标最小误差1e-10
net.trainParam.epochs=50000;           %允许最大训练步数50000步
%开始训练
[net,tr]=train(net,p,goal);
%需要判断的个体
x=[1.24 1.80;1.28 1.84;1.40 2.04]';
%开始预测；第一个是对训练数据的检验，第二个是对未知个体的预测；
y0=sim(net,p)
y=sim(net,x)

如何去使用：newff神经网络模型建立，这里四个参数，第一个是属性的范围；第二个是神经网络的层次，后面的就是激活函数的选择；根据你的实例离散类型进行选择；

然后设置这个神经网络的各个参数，然后把训练数据导入，train 开始训练，sim 开始预测；

 

参考：《数学建模算法大全》

参考网址：https://blog.youkuaiyun.com/ACdreamers/article/details/44657439