摘 要:利用Matlab中的神经网络工具箱提供的丰富网络学习和训练函数,对BP网络和BP算法的优化方案进行仿真,得到较优的BP算法。
关键词:人工神经网络;BP网络;Matlab;NeuralNetwork Toolbox
1 引 言人工神经网络(Artificial Neural
Networks,NN)系统从20世纪40年代末诞生至今仅短短半个多世纪,但由于他具有信息的分布存储、并行处理以及自学习能力等优点,已经在信息处
理、模式识别、智能控制及系统建模等领域得到越来越广泛的应用。尤其是基于误差反向传播(Error
Back Propagation)算法的多层前馈网络(Multiple-Layer Feedforward
Network)(简称BP网络),可以以任意精度逼近任意的连续函数,所以广泛应用于非线性建模、函数逼近、模式分类等方面。
近年来,为了
解决BP网络收敛速度慢、训练时间长等缺陷,提出了许多改进算法,但在应用BP网络解决实际问题的过程中,选择多少层网络、每层多少个神经元节点;选择何
种传输函数、何种训练算法等,均无可行的理论指导,只能通过实验计算获得。这无形中增加了研究工作量和编程计算量。
在目前工程计算领域较为流行的软件Matlab中,提供了一个现成的神经网络工具箱(NeuralNetworkToolbox,NNTool),为解决这个问题提供了便利条件[1]。本文针对BP网络和BP算法的优化方案,在介绍NNTool的基础上,给出优化的仿真结果。2 BP算法的分析2.1 BP算法原理[2,3