神经网络之BP神经网络

最新推荐文章于 2023-09-21 10:05:13 发布

you_shoubian

最新推荐文章于 2023-09-21 10:05:13 发布

阅读量848

点赞数 3

分类专栏： deep learning 文章标签： BP神经网络

deep learning 专栏收录该内容

1 篇文章 0 订阅

订阅专栏

转载 http://blog.csdn.net/google19890102/article/details/32723459#t1

 
 神经网络 
 机器学习 
 前向反馈 
 BP神经网络 

目录(?)[+]

一、BP神经网络的概念

BP神经网络是一种多层的前馈神经网络，其主要的特点是：信号是前向传播的，而误差是反向传播的。具体来说，对于如下的只含一个隐层的神经网络模型：

(三层BP神经网络模型)

BP神经网络的过程主要分为两个阶段，第一阶段是信号的前向传播，从输入层经过隐含层，最后到达输出层；第二阶段是误差的反向传播，从输出层到隐含层，最后到输入层，依次调节隐含层到输出层的权重和偏置，输入层到隐含层的权重和偏置。

二、BP神经网络的流程

在知道了BP神经网络的特点后，我们需要依据信号的前向传播和误差的反向传播来构建整个网络。

1、网络的初始化

假设输入层的节点个数为 $n$ ，隐含层的节点个数为 $l$ ，输出层的节点个数为 $m$ 。输入层到隐含层的权重 $\omega_{ij}$ ，隐含层到输出层的权重为 $\omega_{jk}$ ，输入层到隐含层的偏置为 $a_j$ ，隐含层到输出层的偏置为 $b_k$ 。学习速率为 $\eta$ ，激励函数为 $g\left ( x \right )$ 。其中激励函数为 $g\left ( x \right )$ 取Sigmoid函数。形式为：

$g\left ( x \right )=\frac{1}{1+e^{-x}}$

2、隐含层的输出

如上面的三层BP网络所示，隐含层的输出 $H_j$ 为

$H_j=g\left ( \sum_{i=1}^{n}\omega _{ij}x_i+a_j \right )$

3、输出层的输出

$O_k=\sum_{j=1}^{l}H_j\omega _{jk}+b_j$

4、误差的计算

我们取误差公式为：

$E=\frac{1}{2}\sum_{k=1}^{m}\left ( Y_k-O_k \right )^2$

其中 $Y_k$ 为期望输出。我们记 $Y_k-O_k=e_k$ ，则 $E$ 可以表示为

$E=\frac{1}{2}\sum_{k=1}^{m}e_k^2$

以上公式中， $i=1\cdots n$ ， $j=1\cdots l$ ， $k=1\cdots m$ 。

5、权值的更新

权值的更新公式为：

$\left\{\begin{matrix} \omega _{ij}=\omega _{ij}+\eta H_j\left ( 1-H_j \right )x_i\sum_{k=1}^{m}\omega _{jk}e_k\\ \omega _{jk}=\omega _{jk}+\eta H_je_k \end{matrix}\right.$

这里需要解释一下公式的由来：

这是误差反向传播的过程，我们的目标是使得误差函数达到最小值，即 $min E$ ，我们使用梯度下降法：

隐含层到输出层的权重更新

$\frac{\partial E}{\partial w_{jk}}=\sum_{k=1}^{m}\left ( Y_k-O_k \right )\left ( -\frac{\partial O_k}{\partial w_{jk}} \right )=\left ( Y_k-O_k \right )\left ( -H_j \right )=-e_kH_j$

则权重的更新公式为：

$w_{jk}=w_{jk}+\eta H_je_k$

输入层到隐含层的权重更新

$\frac{\partial E}{\partial w_{ij}}=\frac{\partial E}{\partial H_j}\cdot \frac{\partial H_j}{\partial \omega _{ij}}$

其中

$\begin{matrix} \frac{\partial E}{\partial H_j}=\left ( Y_1-O_1 \right )\left ( -\frac{\partial O_1}{\partial H_j} \right )+\cdots +\left ( Y_m-O_m \right )\left ( -\frac{\partial O_m}{\partial H_j} \right )\\ =-\left ( Y_1-O_1 \right )\omega _{jk}-\cdots-\left ( Y_m-O_m \right )\omega _{jk}\\ =-\sum_{k=1}^{m}\left ( Y_k-O_k \right )\omega _{jk}=-\sum_{k=1}^{m}\omega _{jk}e_k \end{matrix}$

$\begin{matrix} \frac{\partial H_j}{\partial \omega _ij}=\frac{\partial g\left ( \sum_{i=1}^{n}\omega _{ij}x_i+a_j \right )}{\partial \omega _ij}\\ =g\left ( \sum_{i=1}^{n}\omega _{ij}x_i+a_j \right )\cdot \left [ 1-g\left ( \sum_{i=1}^{n}\omega _{ij}x_i+a_j \right ) \right ]\cdot \frac{\partial \left ( \sum_{i=1}^{n}\omega _{ij}x_i+a_j \right )}{\partial \omega _ij}\\ =H_j\left ( 1-H_j \right )x_i \end{matrix}$

则权重的更新公式为：

$\omega _{ij}=\omega _{ij}+\eta H_j\left ( 1-H_j \right )x_i\sum_{k=1}^{m}\omega _{jk}e_k$

6、偏置的更新

偏置的更新公式为：

$\left\{\begin{matrix} a_j=a_j+\eta H_j\left ( 1-H_j \right )\sum_{k=1}^{m}\omega _{jk}e_k\\ b_k=b_k+\eta e_k \end{matrix}\right.$

隐含层到输出层的偏置更新

$\frac{\partial E}{\partial b_k}=\left ( Y_k-O_k \right )\left ( -\frac{\partial O_k}{\partial b_k} \right )=-e_k$

则偏置的更新公式为：

$b_k=b_k+\eta e_k$

输入层到隐含层的偏置更新

$\frac{\partial E}{\partial a_j}=\frac{\partial E}{\partial H_j}\cdot \frac{\partial H_j}{\partial a_j}$

其中

$\begin{matrix} \frac{\partial H_j}{\partial a_j}=\frac{\partial g\left ( \sum_{i=1}^{n}\omega _{ij}x_i+a_j \right )}{\partial a_j}\\ =g\left ( \sum_{i=1}^{n}\omega _{ij}x_i+a_j \right )\cdot \left [ 1-g\left ( \sum_{i=1}^{n}\omega _{ij}x_i+a_j \right ) \right ]\cdot \frac{\partial \left ( \sum_{i=1}^{n}\omega _{ij}x_i+a_j \right )}{\partial a_j}\\ =H_j\left ( 1-H_j \right ) \end{matrix}$

则偏置的更新公式为：

$a_k=a_k+\eta H_j\left ( 1-H_j \right )\sum_{k=1}^{m}\omega _{jk}e_k$

7、判断算法迭代是否结束

有很多的方法可以判断算法是否已经收敛，常见的有指定迭代的代数，判断相邻的两次误差之间的差别是否小于指定的值等等。

三、实验的仿真

在本试验中，我们利用BP神经网络处理一个四分类问题，最终的分类结果为：

MATLAB代码

主程序

[plain]view plaincopy 
     
 %% BP的主函数  
   
 % 清空  
 clear all;  
 clc;  
   
 % 导入数据  
 load data;  
   
 %从1到2000间随机排序  
 k=rand(1,2000);  
 [m,n]=sort(k);  
   
 %输入输出数据  
 input=data(:,2:25);  
 output1 =data(:,1);  
   
 %把输出从1维变成4维  
 for i=1:2000  
     switch output1(i)  
         case 1  
             output(i,:)=[1 0 0 0];  
         case 2  
             output(i,:)=[0 1 0 0];  
         case 3  
             output(i,:)=[0 0 1 0];  
         case 4  
             output(i,:)=[0 0 0 1];  
     end  
 end  
   
 %随机提取1500个样本为训练样本，500个样本为预测样本  
 trainCharacter=input(n(1:1600),:);  
 trainOutput=output(n(1:1600),:);  
 testCharacter=input(n(1601:2000),:);  
 testOutput=output(n(1601:2000),:);  
   
 % 对训练的特征进行归一化  
 [trainInput,inputps]=mapminmax(trainCharacter');  
   
 %% 参数的初始化  
   
 % 参数的初始化  
 inputNum = 24;%输入层的节点数  
 hiddenNum = 50;%隐含层的节点数  
 outputNum = 4;%输出层的节点数  
   
 % 权重和偏置的初始化  
 w1 = rands(inputNum,hiddenNum);  
 b1 = rands(hiddenNum,1);  
 w2 = rands(hiddenNum,outputNum);  
 b2 = rands(outputNum,1);  
   
 % 学习率  
 yita = 0.1;  
   
 %% 网络的训练  
 for r = 1:30  
     E(r) = 0;% 统计误差  
     for m = 1:1600  
         % 信息的正向流动  
         x = trainInput(:,m);  
         % 隐含层的输出  
         for j = 1:hiddenNum  
             hidden(j,:) = w1(:,j)'*x+b1(j,:);  
             hiddenOutput(j,:) = g(hidden(j,:));  
         end  
         % 输出层的输出  
         outputOutput = w2'*hiddenOutput+b2;  
           
         % 计算误差  
         e = trainOutput(m,:)'-outputOutput;  
         E(r) = E(r) + sum(abs(e));  
           
         % 修改权重和偏置  
         % 隐含层到输出层的权重和偏置调整  
         dw2 = hiddenOutput*e';  
         db2 = e;  
           
         % 输入层到隐含层的权重和偏置调整  
         for j = 1:hiddenNum  
             partOne(j) = hiddenOutput(j)*(1-hiddenOutput(j));  
             partTwo(j) = w2(j,:)*e;  
         end  
           
         for i = 1:inputNum  
             for j = 1:hiddenNum  
                 dw1(i,j) = partOne(j)*x(i,:)*partTwo(j);  
                 db1(j,:) = partOne(j)*partTwo(j);  
             end  
         end  
           
         w1 = w1 + yita*dw1;  
         w2 = w2 + yita*dw2;  
         b1 = b1 + yita*db1;  
         b2 = b2 + yita*db2;    
     end  
 end  
   
 %% 语音特征信号分类  
 testInput=mapminmax('apply',testCharacter',inputps);  
   
 for m = 1:400  
     for j = 1:hiddenNum  
         hiddenTest(j,:) = w1(:,j)'*testInput(:,m)+b1(j,:);  
         hiddenTestOutput(j,:) = g(hiddenTest(j,:));  
     end  
     outputOfTest(:,m) = w2'*hiddenTestOutput+b2;  
 end  
   
 %% 结果分析  
 %根据网络输出找出数据属于哪类  
 for m=1:400  
     output_fore(m)=find(outputOfTest(:,m)==max(outputOfTest(:,m)));  
 end  
   
 %BP网络预测误差  
 error=output_fore-output1(n(1601:2000))';  
   
 k=zeros(1,4);    
 %找出判断错误的分类属于哪一类  
 for i=1:400  
     if error(i)~=0  
         [b,c]=max(testOutput(i,:));  
         switch c  
             case 1   
                 k(1)=k(1)+1;  
             case 2   
                 k(2)=k(2)+1;  
             case 3   
                 k(3)=k(3)+1;  
             case 4   
                 k(4)=k(4)+1;  
         end  
     end  
 end  
   
 %找出每类的个体和  
 kk=zeros(1,4);  
 for i=1:400  
     [b,c]=max(testOutput(i,:));  
     switch c  
         case 1  
             kk(1)=kk(1)+1;  
         case 2  
             kk(2)=kk(2)+1;  
         case 3  
             kk(3)=kk(3)+1;  
         case 4  
             kk(4)=kk(4)+1;  
     end  
 end  
   
 %正确率  
 rightridio=(kk-k)./kk  

激活函数

[plain]view plaincopy 
     
 %% 激活函数  
 function [ y ] = g( x )  
     y = 1./(1+exp(-x));  
 end  

 

you_shoubian

关注

3
点赞
踩
6

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录