数学建模中经常使用到的数学模型

4.1 分类问题

神经网络分类：

BP 神经网络是一种神经网络学习算法。其由输入层、中间层、输出层组成的阶层型神经网络，中间层可扩展为多层。RBF（径向基）神经网络：径向基函数(RBF-Radial Basis Function)神经网络是具有单隐层的三层前馈网络。它模拟了人脑中局部调整、相互覆盖接收域的神经网络结构。感知器神经网络：是一个具有单层计算神经元的神经网络，网络的传递函数是线性阈值单元。主要用来模拟人脑的感知特征。线性神经网络：是比较简单的一种神经网络，由一个或者多个线性神经元构成。采用线性函数作为传递函数，所以输出可以是任意值。自组织神经网络：自组织神经网络包括自组织竞争网络、自组织特征映射网络、学习向量量化等网络结构形式。K近邻算法：　K最近邻分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。

import numpy as np

 

# 定义神经网络类

class NeuralNetwork:

    def __init__(self):

        # 随机初始化权重

        np.random.seed(1)

        self.weights = 2 * np.random.random((3, 1)) - 1

 

    # Sigmoid激活函数

    def sigmoid(self, x):

        return 1 / (1 + np.exp(-x))

 

    # Sigmoid的导数

    def sigmoid_derivative(self, x):

        return x * (1 - x)

 

    # 训练神经网络

    def train(self, inputs, outputs, iterations):

        for iteration in range(iterations):

            # 正向传播

            output = self.predict(inputs)

 

            # 计算误差

            error = outputs - output

 

            # 反向传播