MATLAB神經(jīng)網(wǎng)絡(luò)編程

前言

MATLAB是矩陣實(shí)驗(yàn)室（MatrixLaboratory）的簡稱，和Mathematica、Maple并稱為三大數(shù)學(xué)軟件。在科學(xué)計(jì)算方面，它在數(shù)學(xué)類科技應(yīng)用軟件中首屈一指。MATLAB可以進(jìn)行矩陣運(yùn)算、繪制函數(shù)和數(shù)據(jù)、實(shí)現(xiàn)算法、創(chuàng)建用戶界面、連接其他編程語言的程序等，主要應(yīng)用于工程計(jì)算、控制設(shè)計(jì)、信號處理與通信、圖像處理、神經(jīng)網(wǎng)絡(luò)、信號檢測、金融建模設(shè)計(jì)與分析等領(lǐng)域。MathWorks公司于2010年3月發(fā)布了MATLABR2010a。相比以前版本而言，R2010a這一版本的特點(diǎn)表現(xiàn)在以下幾個(gè)方面：在MATLAB中新增了信號和視頻數(shù)據(jù)流處理功能、標(biāo)準(zhǔn)和大規(guī)模優(yōu)化的非線性求解器，同時(shí)還加強(qiáng)了Simulink在大型團(tuán)隊(duì)設(shè)計(jì)復(fù)雜系統(tǒng)時(shí)的合作支持。R2010a版本還推出了SimulinkPLCCoder，可幫助工業(yè)控制系統(tǒng)工程師生成IEC61131結(jié)構(gòu)化語句。另外，該版本還更新了包括PolySpace代碼驗(yàn)證產(chǎn)品在內(nèi)的其他83種產(chǎn)品。隨著神經(jīng)網(wǎng)絡(luò)理論研究和實(shí)際應(yīng)用的不斷深入，研究神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)仿真技術(shù)也獲得了迅速發(fā)展，特別是MATLAB神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)，為神經(jīng)網(wǎng)絡(luò)的研究和設(shè)計(jì)提供了強(qiáng)有力的工具，所取得的成果已經(jīng)廣泛應(yīng)用于神經(jīng)網(wǎng)絡(luò)的教學(xué)、科研中。神經(jīng)網(wǎng)絡(luò)的研究內(nèi)容相當(dāng)廣泛，反映了多學(xué)科交叉技術(shù)領(lǐng)域的特點(diǎn)。目前，主要的研究工作集中在以下幾個(gè)方面。（1）生物原型研究。從生理學(xué)、心理學(xué)、解剖學(xué)、腦科學(xué)、病理學(xué)等生物科學(xué)方面研究神經(jīng)細(xì)胞、神經(jīng)網(wǎng)絡(luò)、神經(jīng)系統(tǒng)的生物原型結(jié)構(gòu)及其功能機(jī)理。（2）建立理論模型。根據(jù)生物原型的研究，建立神經(jīng)元、神經(jīng)網(wǎng)絡(luò)的理論模型，其中包括概念模型、知識模型、物理化學(xué)模型、數(shù)學(xué)模型等。（3）網(wǎng)絡(luò)模型與算法研究。在理論模型研究的基礎(chǔ)上構(gòu)建具體的神經(jīng)網(wǎng)絡(luò)模型，以實(shí)現(xiàn)計(jì)算機(jī)模擬或準(zhǔn)備制作硬件，包括網(wǎng)絡(luò)學(xué)習(xí)算法的研究。（4）人工神經(jīng)網(wǎng)絡(luò)應(yīng)用系統(tǒng)。在網(wǎng)絡(luò)模型與算法研究的基礎(chǔ)上，利用人工神經(jīng)網(wǎng)絡(luò)組成實(shí)際的應(yīng)用系統(tǒng)，例如，完成某種信號處理或模式識別的功能、構(gòu)建專家系統(tǒng)、制成機(jī)器人等。由于MATLAB具有友好的工作平臺和編程環(huán)境、簡單易用的程序語言、強(qiáng)大的科學(xué)計(jì)算機(jī)數(shù)據(jù)處理能力、出色的圖形處理功能、應(yīng)用廣泛的模塊集合工具箱、實(shí)用的程序接口和發(fā)布平臺、應(yīng)用軟件開發(fā)（包括用戶界面）等優(yōu)勢，故本書基于MATLAB軟件基礎(chǔ)對神經(jīng)網(wǎng)絡(luò)展開介紹。神經(jīng)網(wǎng)絡(luò)由基本神經(jīng)元相互連接，能模擬人腦的神經(jīng)處理信息方式，進(jìn)行信息并行處理和非線性轉(zhuǎn)換，在實(shí)際中得到了大量的應(yīng)用，解決了很多利用傳統(tǒng)方式無法解決的難題。MATLAB是一款強(qiáng)大的工程計(jì)算和仿真軟件，利用MATLAB能夠編寫出各種網(wǎng)絡(luò)設(shè)計(jì)和訓(xùn)練的子程序，可以使用戶從煩瑣的編程中解脫出來，大大提高了工作效率。本書在充分體現(xiàn)MATLAB高級語言特點(diǎn)的基礎(chǔ)上，突出了神經(jīng)網(wǎng)絡(luò)在MATLAB中解決問題的簡易性，具有以下特點(diǎn)。（1）精選內(nèi)容，條理清晰。全書將基礎(chǔ)知識、科學(xué)新成果及發(fā)展新動(dòng)向相結(jié)合，系統(tǒng)地展示了利用MATLAB編寫和解決神經(jīng)網(wǎng)絡(luò)中的問題的方便性和快捷性。（2）重點(diǎn)突出，目的明確。本書立足于基本理論，面向應(yīng)用技術(shù)，以必須、夠用為尺度，以掌握概念、強(qiáng)化應(yīng)用為重點(diǎn)，加強(qiáng)理論知識和實(shí)際應(yīng)用的統(tǒng)一。全書包括10章，分為兩大部分：第一部分為MATLAB基礎(chǔ)篇，包括第1章MATLAB基本知識，第2章MATLAB基本的程序及繪圖功能等；第二部分為神經(jīng)網(wǎng)絡(luò)應(yīng)用篇，包括第3章神經(jīng)網(wǎng)絡(luò)緒論，第4章前向型神經(jīng)網(wǎng)絡(luò)，第5章局部型神經(jīng)網(wǎng)絡(luò)，第6章反饋型神經(jīng)網(wǎng)絡(luò)，第7章競爭型神經(jīng)網(wǎng)絡(luò)，第8章神經(jīng)網(wǎng)絡(luò)控制的綜合應(yīng)用，第9章神經(jīng)網(wǎng)絡(luò)在Simulink中的應(yīng)用，第10章神經(jīng)網(wǎng)絡(luò)的模糊控制及其自定義網(wǎng)絡(luò)等內(nèi)容。本書可以作為廣大在校本科生和研究生的學(xué)習(xí)用書，也可以作為廣大科研人員、學(xué)者、工程技術(shù)人員的參考用書。本書主要由張德豐編寫，參加編寫的人員還有周靈、崔如春、楊躍武、周燕、周品、趙新芬、趙書梅、欒穎、劉志為、張歡等。由于時(shí)間倉促，加之編者水平有限，疏漏和不足之處在所難免。在此，誠懇地期望得到各領(lǐng)域的專家和廣大讀者的批評指正。編者2011.6

內(nèi)容概要

　　本書結(jié)合神經(jīng)網(wǎng)絡(luò)的概念、理論和應(yīng)用，以MATLAB為平臺，系統(tǒng)地介紹了神經(jīng)網(wǎng)絡(luò)工具箱中的前向型神經(jīng)網(wǎng)絡(luò)、局部型神經(jīng)網(wǎng)絡(luò)、反饋型神經(jīng)網(wǎng)絡(luò)、競爭型神經(jīng)網(wǎng)絡(luò)、神經(jīng)網(wǎng)絡(luò)控制的綜合應(yīng)用、神經(jīng)網(wǎng)絡(luò)在Simulink中的應(yīng)用、神經(jīng)網(wǎng)絡(luò)的模糊控制及其自定義網(wǎng)絡(luò)等內(nèi)容?！禡ATLAB神經(jīng)網(wǎng)絡(luò)編程》重點(diǎn)是運(yùn)用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱介紹神經(jīng)網(wǎng)絡(luò)分析研究中的各種概念、理論、方法、算法及其實(shí)現(xiàn)。《MATLAB神經(jīng)網(wǎng)絡(luò)編程》內(nèi)容安排合理，理論結(jié)合實(shí)際，同時(shí)作者列舉了其總結(jié)的大量應(yīng)用實(shí)例?！禡ATLAB神經(jīng)網(wǎng)絡(luò)編程》講述的各種統(tǒng)計(jì)理論和方法淺顯易懂，并均能在實(shí)際生活中找到應(yīng)用對象?！禡ATLAB神經(jīng)網(wǎng)絡(luò)編程》可以作為廣大在校本科生和研究生的學(xué)習(xí)用書，也可以作為廣大科研人員、學(xué)者、工程技術(shù)人員的參考用書。

書籍目錄

第1章 MATLAB基本知識
　1.1 MATLAB概述
　　1.1.1 MATLAB的發(fā)展史及影響
　　1.1.2 MATLAB的功能特點(diǎn)
　　1.1.3 MATLABR2010a的新特點(diǎn)
　1.2 MATLAB初步應(yīng)用
　　1.2.1 MATLAB的啟動(dòng)和關(guān)閉
　　1.2.2 MATLAB的工具條與菜單
　　1.2.3 MATLAB命令窗口
　　1.2.4 MATLAB工作空間
　　1.2.5 MATLAB命令歷史窗口
　　1.2.6 MATLAB的當(dāng)前目錄
　1.3 MATLAB的變量與符號
　　1.3.1 特殊變量
　　1.3.2 標(biāo)點(diǎn)符號
　1.4 向量的創(chuàng)建法
　　1.4.1 直接輸入法
　　1.4.2 用冒號生成法
　　1.4.3 用函數(shù)生成法
　　1.4.4 向量的連接法
　1.5 矩陣的表示
　　1.5.1 矩陣的建立
　　1.5.2 矩陣的拆分
　1.6 矩陣元素的排列與替換
　　1.6.1 下標(biāo)與索引
　　1.6.2 元素的提取與替換
　　1.6.3 矩陣中行與列的相關(guān)操作
　　1.6.4 end函數(shù)的使用
　1.7 矩陣和數(shù)組的基本運(yùn)算
　　1.7.1 矩陣和數(shù)組的運(yùn)算
　　1.7.2 矩陣的函數(shù)運(yùn)算
　1.8 MATLAB的幫助功能
　　1.8.1 幫助命令
　　1.8.2 查詢命令
　　1.8.3 聯(lián)機(jī)幫助
　　1.8.4 演示幫助
　　
第2章 MATLAB基本的程序及繪圖功能
　2.1 MATLAB的控制語句
　　2.1.1 條件控制
　　2.1.2 循環(huán)控制
　　2.1.3 程序的流程控制
　2.2 M文件
　　2.2.1 腳本文件
　　2.2.2 M函數(shù)
　2.3 二維圖形
　　2.3.1 基本的二維繪圖函數(shù)
　　2.3.2 線型、點(diǎn)型、色彩
　　2.3.3 窗口控制
　　2.3.4 坐標(biāo)軸控制
　　2.3.5 圖形標(biāo)注
　2.4 三維圖形
　　2.4.1 三維曲線繪圖
　　2.4.2 三維曲面繪圖
　　
第3章 神經(jīng)網(wǎng)絡(luò)緒論
　3.1 人工神經(jīng)網(wǎng)絡(luò)概念的提出
　3.2 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展史及其研究的內(nèi)容
　　3.2.1 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展史
　　3.2.2 人工神經(jīng)網(wǎng)絡(luò)研究的內(nèi)容
　3.3 神經(jīng)細(xì)胞以及人工神經(jīng)元的組成
　3.4 人工神經(jīng)元的模型
　3.5 神經(jīng)元的結(jié)構(gòu)
　3.6 神經(jīng)網(wǎng)絡(luò)的特點(diǎn)與優(yōu)點(diǎn)
　3.7 人工神經(jīng)元的應(yīng)用
　3.8 人工神經(jīng)元與人工智能
　　3.8.1 人工智能的概述
　　3.8.2 人工神經(jīng)元與人工智能的比較
　3.9 用MATLAB計(jì)算人工神經(jīng)網(wǎng)絡(luò)輸出
　　
第4章 前向型神經(jīng)網(wǎng)絡(luò)
　4.1 感知器網(wǎng)絡(luò)
　　4.1.1 感知器的結(jié)構(gòu)
　　4.1.2 感知器的學(xué)習(xí)
　　4.1.3 感知器的局限性
　　4.1.4 感知器的“異域”問題
　　4.1.5 感知器的神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)
　　4.1.6 感知器網(wǎng)絡(luò)的實(shí)現(xiàn)
　　4.1.7 線性分類問題的擴(kuò)展討論
　　4.1.8 線性可分限制的解決方法
　4.2 線性神經(jīng)網(wǎng)絡(luò)
　　4.2.1 線性神經(jīng)網(wǎng)絡(luò)的模型
　　4.2.2 W-H學(xué)習(xí)規(guī)則
　　4.2.3 線性神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)
　　4.2.4 線性神經(jīng)網(wǎng)絡(luò)的構(gòu)建
　　4.2.5 網(wǎng)絡(luò)訓(xùn)練
　　4.2.6 線性神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)
　　4.2.7 線性神經(jīng)網(wǎng)絡(luò)的局限性
　　4.2.8 系統(tǒng)辨識
　4.3 BP傳播網(wǎng)絡(luò)
　　4.3.1 BP網(wǎng)絡(luò)模型結(jié)構(gòu)
　　4.3.2 BP學(xué)習(xí)規(guī)則
　　4.3.3 BP網(wǎng)絡(luò)的訓(xùn)練函數(shù)
　　4.3.4 BP網(wǎng)絡(luò)的實(shí)現(xiàn)
　　4.3.5 BP網(wǎng)絡(luò)的限制
　　4.3.6 BP方法的改進(jìn)
　　
第5章 局部型神經(jīng)網(wǎng)絡(luò)
　5.1 徑向基函數(shù)網(wǎng)絡(luò)
　　5.1.1 徑向神經(jīng)元與徑向基函數(shù)網(wǎng)絡(luò)模型
　　5.1.2 徑向基函數(shù)網(wǎng)絡(luò)的學(xué)習(xí)算法
　　5.1.3 廣義回歸神經(jīng)網(wǎng)絡(luò)
　　5.1.4 徑向基函數(shù)網(wǎng)絡(luò)的訓(xùn)練函數(shù)
　　5.1.5 徑向基函數(shù)網(wǎng)絡(luò)的實(shí)現(xiàn)
　　5.1.6 基于RBF網(wǎng)絡(luò)的非線性濾波
　　5.1.7 RBF網(wǎng)絡(luò)與多層感知器的比較
　5.2 B樣條基函數(shù)
　5.3 概率神經(jīng)網(wǎng)絡(luò)
　　5.3.1 PNN網(wǎng)絡(luò)結(jié)構(gòu)
　　5.3.2 PNN網(wǎng)絡(luò)的工作原理
　　5.3.3 PNN網(wǎng)絡(luò)的設(shè)計(jì)
　5.4 CMAC網(wǎng)絡(luò)
　　5.4.1 CMAC網(wǎng)絡(luò)基本結(jié)構(gòu)
　　5.4.2 CMAC的學(xué)習(xí)算法
　5.5 GMDH網(wǎng)絡(luò)
　　5.5.1 GMDH網(wǎng)絡(luò)的概述
　　5.5.2 GMDH網(wǎng)絡(luò)的訓(xùn)練
　5.6 CMAC、B樣條和RBF的異同
　　5.6.1 CMAC、B樣條和RBF的相同之處
　　5.6.2 CMAC、B樣條和RBF的不同之處
　　
第6章 反饋型神經(jīng)網(wǎng)絡(luò)
　6.1 Hopfield網(wǎng)絡(luò)
　　6.1.1 離散Hopfield網(wǎng)絡(luò)
　　6.1.2 連續(xù)Hopfield網(wǎng)絡(luò)
　　6.1.3 聯(lián)想記憶
　　6.1.4 Hopfield網(wǎng)絡(luò)結(jié)構(gòu)
　　6.1.5 Hopfield網(wǎng)絡(luò)模型學(xué)習(xí)過程
　　6.1.6 幾個(gè)重要結(jié)論
　　6.1.7 Hopfield網(wǎng)絡(luò)的應(yīng)用
　6.2 Elman網(wǎng)絡(luò)
　　6.2.1 Elman網(wǎng)絡(luò)結(jié)構(gòu)
　　6.2.2 修正網(wǎng)絡(luò)權(quán)值的學(xué)習(xí)算法
　　6.2.3 穩(wěn)定性推導(dǎo)
　　6.2.4 對角遞歸網(wǎng)絡(luò)穩(wěn)定時(shí)學(xué)習(xí)速率的確定
　　6.2.5 Elman網(wǎng)絡(luò)與訓(xùn)練
　　6.2.6 Elman網(wǎng)絡(luò)的應(yīng)用
　6.3 雙向聯(lián)想記憶網(wǎng)絡(luò)
　　6.3.1 BAM網(wǎng)絡(luò)結(jié)構(gòu)與原理
　　6.3.2 能量函數(shù)與穩(wěn)定性分析
　　6.3.3 BAM網(wǎng)絡(luò)的權(quán)值設(shè)計(jì)
　　6.3.4 BAM網(wǎng)絡(luò)的應(yīng)用
　6.4 盒中腦模型
　　6.4.1 盒中腦模型的描述
　　6.4.2 盒中腦模型的實(shí)現(xiàn)
　6.5 局部遞歸神經(jīng)網(wǎng)絡(luò)
　　6.5.1 PIDNNC的設(shè)計(jì)
　　6.5.2 閉環(huán)控制系統(tǒng)穩(wěn)定性分析
　　
第7章 競爭型神經(jīng)網(wǎng)絡(luò)
　7.1 自組織神經(jīng)網(wǎng)絡(luò)的基本函數(shù)
　　7.1.1 創(chuàng)建函數(shù)
　　7.1.2 學(xué)習(xí)函數(shù)
　　7.1.3 競爭傳遞函數(shù)
　　7.1.4 初始化函數(shù)
　　7.1.5 距離函數(shù)
　　7.1.6 訓(xùn)練競爭層函數(shù)
　　7.1.7 繪圖函數(shù)
　　7.1.8 結(jié)構(gòu)函數(shù)
　7.2 自組織競爭神經(jīng)網(wǎng)絡(luò)
　　7.2.1 常用的幾種聯(lián)想學(xué)習(xí)規(guī)則
　　7.2.2 自組織競爭神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
　　7.2.3 自組織競爭神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)
　　7.2.4 自組織競爭神經(jīng)網(wǎng)絡(luò)的應(yīng)用
　7.3 自組織特征映射網(wǎng)絡(luò)
　　7.3.1 自組織特征映射網(wǎng)絡(luò)模型
　　7.3.2 自組織特征映射網(wǎng)絡(luò)的結(jié)構(gòu)
　　7.3.3 自組織特征映射網(wǎng)絡(luò)的設(shè)計(jì)
　　7.3.4 自組織特征映射網(wǎng)絡(luò)的應(yīng)用
　7.4 學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)
　　7.4.1 學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
　　7.4.2 學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)
　　7.4.3 學(xué)習(xí)向量量化的學(xué)習(xí)算法的改進(jìn)
　　7.4.4 學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)的應(yīng)用
　7.5 主分量分析
　　7.5.1 主分量分析方法
　　7.5.2 主分量分析網(wǎng)絡(luò)的算法
　　7.5.3 非線性主分量分析及其網(wǎng)絡(luò)模型
　　
第8章 神經(jīng)網(wǎng)絡(luò)控制的綜合應(yīng)用
　8.1 神經(jīng)網(wǎng)絡(luò)控制結(jié)構(gòu)
　　8.1.1 神經(jīng)網(wǎng)絡(luò)監(jiān)督控制
　　8.1.2 神經(jīng)網(wǎng)絡(luò)預(yù)測控制
　　8.1.3 神經(jīng)網(wǎng)絡(luò)自適應(yīng)評判控制
　8.2 最小方差自校正控制
　　8.2.1 最小方差控制
　　8.2.2 最小方差間接自校正控制
　　8.2.3 最小方差直接自校正控制
　8.3 模型預(yù)測控制
　　8.3.1 系統(tǒng)辨識
　　8.3.2 廣義預(yù)測控制
　8.4 農(nóng)作物蟲情預(yù)測
　　8.4.1 基于神經(jīng)網(wǎng)絡(luò)的蟲情預(yù)測原理
　　8.4.2 BP網(wǎng)絡(luò)設(shè)計(jì)
　8.5 模型參考控制
　　8.5.1 模型參考控制概念
　　8.5.2 模型參考控制實(shí)例分析
　8.6 神經(jīng)網(wǎng)絡(luò)控制的應(yīng)用
　　8.6.1 機(jī)器人神經(jīng)網(wǎng)絡(luò)數(shù)字控制
　　8.6.2 神經(jīng)網(wǎng)絡(luò)的跟蹤迭代學(xué)習(xí)控制
　　
第9章 神經(jīng)網(wǎng)絡(luò)在Simulink中的應(yīng)用
　9.1 Simulink交互式仿真集成環(huán)境
　　9.1.1 Simulink模型的創(chuàng)建
　　9.1.2 Simulink仿真
　　9.1.3 Simulink簡單示例
　9.2 Simulink神經(jīng)網(wǎng)絡(luò)模塊
　　9.2.1 傳遞函數(shù)模塊
　　9.2.2 網(wǎng)絡(luò)輸入模塊
　　9.2.3 權(quán)值設(shè)置模塊
　　9.2.4 控制系統(tǒng)模塊
　9.3 Simulink應(yīng)用示例
　　
第10章 神經(jīng)網(wǎng)絡(luò)的模糊控制及其自定義網(wǎng)絡(luò)
　10.1 神經(jīng)網(wǎng)絡(luò)的模糊控制
　　10.1.1 神經(jīng)網(wǎng)絡(luò)控制的結(jié)構(gòu)
　　10.1.2 神經(jīng)網(wǎng)絡(luò)的特征
　　10.1.3 神經(jīng)網(wǎng)絡(luò)模糊控制器的應(yīng)用
　　10.1.4 神經(jīng)網(wǎng)絡(luò)模糊控制應(yīng)用于洗衣機(jī)中
　10.2 神經(jīng)網(wǎng)絡(luò)的自定義網(wǎng)絡(luò)
　　10.2.1 定制網(wǎng)絡(luò)
　　10.2.2 網(wǎng)絡(luò)設(shè)計(jì)
　　10.2.3 網(wǎng)絡(luò)訓(xùn)練
參考文獻(xiàn)

章節(jié)摘錄

版權(quán)頁：插圖：本實(shí)例的預(yù)測對象是我國某地的田問水稻。水稻螟蟲是水稻的重要害蟲之一，尤其是二化螟。從溫度上說，二化螟的發(fā)生發(fā)展和溫度的變化關(guān)系十分密切，二化螟的抗低溫能力較強(qiáng)，抗高溫能力較弱，適宜溫度在16～30~C之間，35℃以上的高溫就容易使二化螟死亡。從降雨量角度講，一方面，大量的降雨會導(dǎo)致導(dǎo)致氣溫下降，有利于二化螟的生存；另一方面，充沛的降雨會淹死大量的幼蟲。因此，降雨對二化螟的影響是比較復(fù)雜的，需要綜合考慮。BP網(wǎng)絡(luò)的輸入和輸出層的神經(jīng)元數(shù)目，是由輸入和輸出向量的維數(shù)確定的。輸入向量的維數(shù)也就是影響因素的個(gè)數(shù)，這里綜合考慮了影響蟲情的各種因素，選取了平均氣溫、最低氣溫、日照時(shí)間和降雨量等4個(gè)因素，所以輸入層的神經(jīng)元個(gè)數(shù)為4。為了細(xì)化蟲害的等級，這里將蟲害發(fā)生量分為4級，目標(biāo)輸出模式為，分別對應(yīng)1級、2級、3級和4級。因此，輸出層神經(jīng)元的個(gè)數(shù)也為4。由于輸出向量的元素為0、1值，因此，輸出層神經(jīng)元的傳遞函數(shù)為可選用S型對數(shù)函數(shù)。實(shí)踐表明，隱含層數(shù)目的增加可以提高。BP網(wǎng)絡(luò)的非線性映射能力，但是隱含層數(shù)目超過一定值，網(wǎng)絡(luò)性能反而會降低。而單隱層的BP網(wǎng)絡(luò)可以逼近一個(gè)任意的連續(xù)非線性函數(shù)。因此，這里采用單隱層的BP網(wǎng)絡(luò)。隱含層的神經(jīng)元個(gè)數(shù)直接影響著網(wǎng)絡(luò)的非線性預(yù)測性能。這里根據(jù)定理，設(shè)定網(wǎng)絡(luò)的隱含層神經(jīng)元個(gè)數(shù)為9。按照一般的設(shè)計(jì)原則，隱含層神經(jīng)元的傳遞函數(shù)為S型正切函數(shù)。網(wǎng)絡(luò)結(jié)構(gòu)確定后，需要利用樣本數(shù)據(jù)通過一定的學(xué)習(xí)規(guī)則進(jìn)行訓(xùn)練，提高網(wǎng)絡(luò)的適應(yīng)能力。學(xué)習(xí)速率是訓(xùn)練過程的重要因子，它決定每一次循環(huán)中的權(quán)值變化量。在一般情況下，傾向于選擇較小的學(xué)習(xí)速率保證學(xué)習(xí)的穩(wěn)定性，這里取學(xué)習(xí)速率為0.05。本實(shí)例所使用的數(shù)據(jù)為該地區(qū)的田間水稻從1996年到2003年間的5月到10月的蟲害發(fā)生程度及相應(yīng)的氣象數(shù)據(jù)。本來應(yīng)該取1996年到2002年之間的數(shù)據(jù)作為網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練樣本，2003年的數(shù)據(jù)作為預(yù)測樣本，但這里限于篇幅原因，在利用神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行編程時(shí)，只利用2000-2002年的數(shù)據(jù)作為訓(xùn)練樣本，2003年的數(shù)據(jù)作為預(yù)測樣本。這樣做的直接后果會導(dǎo)致網(wǎng)絡(luò)預(yù)測精度下降，但這里更關(guān)心的是演示利用神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行蟲情預(yù)測的全過程。樣本數(shù)據(jù)如表8一1所示。

編輯推薦

《MATLAB神經(jīng)網(wǎng)絡(luò)編程》將基礎(chǔ)知識、科學(xué)新成果及發(fā)展新動(dòng)向相結(jié)合，系統(tǒng)地展示了利用MATLAB編寫和解決神經(jīng)網(wǎng)絡(luò)中的問題的方便性和快捷性?！禡ATLAB神經(jīng)網(wǎng)絡(luò)編程》立足于基本理論，面向應(yīng)用技術(shù)，以必須、夠用為尺度，以掌握概念、強(qiáng)化應(yīng)用為重點(diǎn)，加強(qiáng)理論知識和實(shí)際應(yīng)用的統(tǒng)一。

圖書封面

圖書標(biāo)簽Tags

無

評論、評分、閱讀與下載

---

    MATLAB神經(jīng)網(wǎng)絡(luò)編程 PDF格式下載

---