数学建模学习6

前言：BP神经网络-蒙特卡罗方法-层次分析法，相应代码明天补

BP神经网络基本原理简介

一个神经网络的典型结构

输入层-隐藏层-输出层算法

算法的改进：往往改隐藏层

同一层的神经元不连接

不同层的神经元全连接

连接会出现权值

不需要构建关系式，只需要构建权值

人工神经网络是由具有适应性的简单单元组成

得广泛并行互联的网络，它的组织能够模拟生物神经系统

对真实的世界物体做出的交互反应

人工神经网络具有自学、自组织、较好的容错性和优良的非线性逼近

能力。

神经元模型

激活函数

网络结构

工作状态

学习方式

建立和应用神经网络的步骤

1）网络结构的确定

2）权值和阈值的确定

3）工作阶段

为什么建激活函数：

非连续值到连续值

归结到一个预置范围内

S型函数和爽级S型函数比较常用

根据网络中神经元的互联方式不同，网络模型可分为

前馈神经网络(速度快，但准确率不高)

反馈神经网络（结构比较复杂，速度慢精度高）

自组织神经网络（SOM）淘汰制的一种算法

神经网络的工作状态

学习 工作（仿真）

学习分为有导师学习和无导师学习

有教师学习（监督学习）

BP神经网络

首先，计算各层神经元的输入向量

第二步，利用网络期望输出和实际输出计算误差函数对输出层的个神经元的偏导数

第三步，利用隐含层到输出层的连接权值、输出层和隐含层的输出计算误差函数对隐含层各神经元的偏导数

第四步，利用输出层各神经元的o（k）和隐含层各神经元的输出来修正连接权值w（k）

神经网络的应用

1）图像处理

2）信号处理

3）模式识别（大量的样本，建立关系，下次输入，做出相应的反馈动作）

2.1训练

1、BP网络构建

生成BP网络

1）生成BP网络

2）训练

3)仿真

蒙特卡罗算法

模拟数据生成的功能

1、能够比较逼真的描述具有随机性质事物的特点

2、受几何限制小

3、程序简单

应用：

粒子运输问题

典型物理、典型数学

随机数：独立性、均匀性

产生随机数：

随机数表方法

物理方法

随机数产生的原理：

层次分析法

三个层次

二、层次分析法的基本步骤

1、建立层次结构模型

目标层、准则层方案层

注意：

上层对下层有支配作用

同一层因素不存在支配关系

每层因素一般不超过9个、

2、构建成对比较阵

一致矩阵

3、一致性检验

n阶成对比较矩阵A是一致阵，当且仅当A的最大特征值

是n

4、计算权重向量

常使用：特征值法

5、层次总排序即求个方案的综合得分

不足：

只能找出一个较优de

粗糙

主观性

优点

盲选指标用于精选