bp神经网络中的重要函数解释

BP神经网络是反向传播神经网络
1.归一化 : 将数据映射到[0,1]或者[-1,1]缩小数据范围。防止数据淹没(一个数据很大一个很小,小的可能会忽略不计)
2. [Y,PS] = mapminmax(X,YMIN,YMAX)%x输入,y输出,YMIN,YMAX输出的范围,PS为结构体的信息。YMIN,YMAX默认是-1,1 ,正常设置为0,1

Y = mapminmax('apply',X,PS);%采用同X一样的归一化

X = mapminmax('reverse',Y,PS);%反归一化

eg:当x = [1,2,3,4];

经过归一化后是0-1之间的四个数,反归一化就是重新变成x=[1,2,3,4];
3.创建网络 net=newff(P,T,S,TF,BTF,BLF,PF,IPF,OPF,DDF)

参数:P 输入参数矩阵
T 目标参数矩阵
S N-1个隐含层数目(s(1)到s(N-1)),默认为空矩阵【】
TF 相关层的传递函数,默认隐含层为tansig函数,输出层为purlin函数。

tansig:正切S型传递函数 purelin:线性传递函数 logsig:对数S型传递函数
隐含层和输出层函数选择对BP神经网络预测精度有较大影响,一般隐含层节点转移函数选用tansig函数或者logsig函数,输出层节点转移函数选用tansig函数或者purelin函数。

BTF:BP神经网络学习训练函数,默认为taringlm函数,

BLF :权重学习函数,默认值为learngdm。traingd:最速下降BP算法。 traingdm:动量BP算法 trainda:学习率可变的最快下降BP算法。 traindx:学习率可变的动量BP算法。 trainrp : 弹性算法。

PF:性能函数,默认值为mse,可选择的还有sse,sae,mae,crossentropy 。mse:均方差。sse:和方差。mae: 平方损失。 crossentropy:交叉熵。

IPF/OPF/DDF均设置为默认值即可。
4.训练函数 :(训练所有神经网络)

net,tr,Y,E,Pf,Af\] = train(net,P,T,Pi,Ai) **net** :需要训练的神经网络 **p** :网络输入 **T** :网络期望输出 **Pi/Ai:初始输入/层延迟,默认为0 net** :训练好的神经网络 **tr:训练记录,包括训练的步数epoch和性能perf 对于没有输入延迟或层延迟的网络,Pi、Ai、Pf和Af参数是不需要的。** **仿真函数:\[Y,Pf,Af,E,perf\] = sim(net,P,Pi,Ai,T)** pf:最终输入延时 Af:最终层延迟 E:网络误差 Y:拟合或预测值 perf:网络性能 net:BP神经网络 P:拟合或预测值 T:拟合或预测期望 基本步骤:1。导入数据,分为训练输入数据和训练输出数据,测试输入数据和测试输出数据,各个层的节点数量, 2.训练样本归一化(包括训练输入和训练输出) 3.构建神经网络 4.网络参数配置 5.训练神经网络net 6.测试样本归一化 7.利用训练后的net进行预测测试集 8.得到预测结果 9.再进行反归一化得到原数值 10.计算误差 参考大佬视频:[添加链接描述](https://www.bilibili.com/video/BV1qM411b7wA/?spm_id_from=333.788&vd_source=f685608625f6c3b231216fe8caa01994)

相关推荐
m0_5557629022 分钟前
matlab 教程
matlab
松果集2 小时前
MATLAB基础知识【8】绘图,peaks,sphere,积分
matlab
锅挤3 小时前
深度学习5(深层神经网络 + 参数和超参数)
人工智能·深度学习·神经网络
网安INF3 小时前
深层神经网络:原理与传播机制详解
人工智能·深度学习·神经网络·机器学习
Blossom.11816 小时前
机器学习在智能建筑中的应用:能源管理与环境优化
人工智能·python·深度学习·神经网络·机器学习·机器人·sklearn
IT古董1 天前
【第二章:机器学习与神经网络概述】04.回归算法理论与实践 -(3)决策树回归模型(Decision Tree Regression)
神经网络·机器学习·回归
24毕业生从零开始学ai1 天前
长短期记忆网络(LSTM):让神经网络拥有 “持久记忆力” 的神奇魔法
rnn·神经网络·lstm
中杯可乐多加冰1 天前
【AI落地应用实战】AIGC赋能职场PPT汇报:从效率工具到辅助优化
人工智能·深度学习·神经网络·aigc·powerpoint·ai赋能
Blossom.1181 天前
机器学习在智能供应链中的应用:需求预测与物流优化
人工智能·深度学习·神经网络·机器学习·计算机视觉·机器人·语音识别
Gyoku Mint1 天前
深度学习×第4卷:Pytorch实战——她第一次用张量去拟合你的轨迹
人工智能·pytorch·python·深度学习·神经网络·算法·聚类