BP神经网络之MATLAB@GUI篇

设计BP神经网络方法

使用BP神经网络解决问题时，需要一个训练数据集，此外还需要确定以下参数：

（1）网络层数

BP网络可以包含1到多个隐层，单隐层前馈网络已具有很大的学习。因此对于大部分场合，单个隐层即可满足需求。面对大数据，从增加模型复杂度角度来说，增加隐层数目比增加隐层神经节点数更有效，因为增加隐层数目不仅增加了拥有激活函数的神经元数目，还增加了记过函数嵌套的层数。但随着隐层数目增加，网络收敛难度加大，传统BP算法很难实现。

（2）输入层节点数、输出层节点个数

输入层节点数取决于输入向量的维数、输出层节点数取决于目标结果。实际应用时，首先应将问题提炼出向量模型用于表述输入、输出。

（3）隐含层节点数

隐含层节点数的选择对网络影响很大，数目较多会带来更好的性能，但训练难度也会变大，一般采用经验公式估计节点数，例如：

a.M = 根号下（n+m）+a，n、m分别为输入层、输出层神经元个数，a是0到10之间常数

b.M = log2(n)，n为输入层神经元个数 

（4）传递函数选择

一般隐含层使用Sigmoid函数，而输出层使用线性函数。如果输出层也采用Sigmoid函数，则输出结果为[0,1]或[-1,1]。

（5）训练函数选择

针对不同类型问题，选择不同训练函数。例如对于包含数百个权值的回归问题，LM收敛速度快，误差小。但LM占用内存大，模式识别问题处理能力弱，RPROP是更好的选择。（MATLAB中所有训练函数在后文列出）

（7）初始权值赋值

参数的初始值对训练过程有着重大的影响。对参数初始化的原则是：参数应该随机初始化在能让sigmoid函数在线性区域激活的值。如