BP神经网络-入门到理解-长文讲述

news2024/11/27 18:47:50

本文来自：老饼讲解-BP神经网络 https://www.bbbdata.com

一、BP神经网络的仿生意义

二、BP神经网络的结构

三、BP神经网络的前馈与后馈

3.1 BP神经网络的前馈

3.2 什么是BP神经网络的后馈

四、BP神经网络的训练

4.1 BP神经网络归一化

4.2 梯度下降算法求解BP神经网络

五、用matlab工具箱实现BP神经网络

5.1 问题阐述

5.2 matlab实现BP神经网络代码

一、BP神经网络的仿生意义

BP神经网络的设计思路是什么呢？它借鉴于人脑的工作原理
在人的眼睛看到符号“5”的后，大脑将判别出它是5

BP神经网络的仿生思想

BP正是要模仿这个行为，把这个行为过程简单拆分为：
  (1)  眼睛接受了输入
  (2)  把输入信号传给其它脑神经元
  (3)  脑神经元综合处理后，输出结果为5
我们都知道，神经元与神经元之间是以神经冲动的模式进行传值,信号到了神经元，都是以电信号的形式存在,当电信号在神经元积累到超过阈值时，就会触发神经冲动，将电信号传给其它神经元。正是根据这个思路，就构造出了以上的神经网络结构。

二、BP神经网络的结构

BP的通用结构如下

BP神经网络模型

在通用结构中，包含了输入层、隐层和输出层，隐层和输出层的神经元都有自己的阈值和激活函数
它属于前馈型神经网络，即神经元是层层连接、逐层向前传递

BP神经网络的传递函数最基本、最常用的传递函数有tansig、logsig和purelin函数，BP神经网络的传递函数也称为激活函数，本文介绍这三个传递函数的一些性质

三、BP神经网络的前馈与后馈

3.1 BP神经网络的前馈

正向传播(前馈)是指BP神经网络的输出计算过程是前馈的，
即计算完一层，得到结果，再以该层的结果作为下层的输入，计算下一层

用网络的输入计算第一层的输出，
把第一层的输出作为第二层的输入，计算第二层的输出
把第二层的输出作为第三层的输入，计算第三层的输出
....
直到最后一层的输出，就是网络的输出
一般说BP神经网络的前馈、向前传播等等，实际说的就是"BP神经网络输出的计算过程"

3.2 什么是BP神经网络的后馈

反向传播指的是BP神经网络计算参数的梯度时的计算方式
由于BP神经网络求解时所使用的是梯度下降算法(或其他算法)，这些算法一般都需要利用误差函数对参数的梯度
因此，计算梯度是BP神经网络训练中重要的一部分，而反向传播式地计算梯度就是BP神经网络的特色，
BP神经网络之所以叫BP(Back Propagation Neural Network)神经网络，指的正是它计算梯度时这种后馈的特色

BP神经网络是如何反向传播式计算梯度的，如下，是一个K层的BP神经网络：

四、BP神经网络的训练

4.1 BP神经网络归一化

BP神经网络归一化一般是指按公式将数据归一化到[-1,1]之间，

BP神经网络数据归一化

反归一化则是把归一化后的数据映射回原始数据,在训练阶段和应用阶段都涉及到数据归一化的相关处理，训练阶段需要在训练前把所有数据归一化后再进行训练
其中，归一化公式如下：

4.2 梯度下降算法求解BP神经网络

梯度下降求解BP神经网络的算法流程如下：
1. 先初始化W,b
2. 按照梯度公式算出梯度
3. 将W和b往负梯度方向调整
4. 不断循环(1)(2)(3)，直到达到终止条件
终止条件为：达到最大迭代次数，或误差足够小

详细实现代码：

matlab实现BP神经网络的代码-不调用工具箱自己实现-老饼讲解

五、用matlab工具箱实现BP神经网络

5.1 问题阐述

现有数据如下

x1, x2 为输入，y 为对应的输出，现需要训练一个网络，用 x1, x2 预测 y

5.2 matlab实现BP神经网络代码

通过代码，使用数据对上面的BP神经网络模型进行训练，下面是matlab2018a的代码实现

x1 = [-3,-2.7,-2.4,-2.1,-1.8,-1.5,-1.2,-0.9,-0.6,-0.3,0,0.3,0.6,0.9,1.2,1.5,1.8];   % x1：x1 = -3:0.3:2;
x2 = [-2,-1.8,-1.6,-1.4,-1.2,-1,-0.8,-0.6,-0.4,-0.2,0,0.2,0.4,0.6,0.8,1,1.2];       % x2：x2 = -2:0.2:1.2;
y  = [0.6589,0.2206,-0.1635,-0.4712,-0.6858,-0.7975,-0.8040,...
          -0.7113,-0.5326,-0.2875 ,0,0.3035,0.5966,0.8553,1.0600,1.1975,1.2618];    % y： y = sin(x1)+0.2*x2.*x2;

inputData  = [x1;x2];                                                               % 将x1,x2作为输入数据
outputData = y;                                                                     % 将y作为输出数据
setdemorandstream(88888);                                                           % 指定随机种子，这样每次训练出来的网络都一样。

%使用用输入输出数据（inputData、outputData）建立网络，
%隐节点个数设为3.其中隐层、输出层的传递函数分别为tansig和purelin，使用trainlm方法训练。

net = newff(inputData,outputData,3,{'tansig','purelin'},'trainlm');

%设置一些常用参数
net.trainparam.goal = 0.0001;                                                        % 训练目标：均方误差低于0.0001
net.trainparam.show = 400;                                                           % 每训练400次展示一次结果
net.trainparam.epochs = 15000;                                                       % 最大训练次数：15000.
[net,tr] = train(net,inputData,outputData);                                          % 调用matlab神经网络工具箱自带的train函数训练网络
											                                         
simout = sim(net,inputData);                                                         % 调用matlab神经网络工具箱自带的sim函数得到网络的预测值
figure;                                                                              % 新建画图窗口窗口
t=1:length(simout);                                                                  
plot(t,y,t,simout,'r')                                                               % 画图，对比原来的y和网络预测的y

运行代码后得到训练数据的拟合效果图如下