人工神经网络(ArtificialNeuralNetwroks-----ANN)1.1人工神经网络发展概况(4)并行工作方式；人工神经网络的基本特点1.2神经网络基本概念2．生物神经元的工作机制1.2.2人工神经元及神经网络神经元的动作：1.2.3神经网络的学习2.δ学习规则1.3前馈神经网络设输入模式向量，，共M类。M类问题判决规则(神经元的输出函数)为设第k次输入的模式向量为Xk，与第j个神经元相连的权向量为1.3.2BP网络2．BP算法S型输出函数：对输入模式Xp，若输出层中第k个神经元的期望输出为dpk，实际输出为ypk。输出层的输出方差：令，可得BP算法建模步骤：改进的权值修正：3．应用之例：蚊子的分类输入数据有15个，即,p=1,…,15;j=1,2;对应15个输出。建模：（输入层，中间层，输出层，每层的元素应取多少个？）建立神经网络规定目标为：当t(1)=0.9时表示属于Apf类，t(2)=0.1表示属于Af类。设两个权重系数矩阵为：（1）随机给出两个权矩阵的初值；例如用MATLAB软件时可以用以下语句：(6)p=p+1，转（2）即网络模型的解为：4.BP网络建模特点：非线性映照能力：神经网络能以任意精度逼近任何非线性连续函数。在建模过程中的许多问题正是具有高度的非线性。并行分布处理方式：在神经网络中信息是分布储存和并行处理的，这使它具有很强的容错性和很快的处理速度。自学习和自适应能力：神经网络在训练时，能从输入、输出的数据中提取出规律性的知识，记忆于网络的权值中，并具有泛化能力，即将这组权值应用于一般情形的能力。神经网络的学习也可以在线进行。数据融合的能力：神经网络可以同时处理定量信息和定性信息，因此它可以利用传统的工程技术（数值运算）和人工智能技术（符号处理）。多变量系统：神经网络的输入和输出变量的数目是任意的，对单变量系统与多变量系统提供了一种通用的描述方式，不必考虑各子系统间的解耦问题。2025/3/72025/3/72025/3/72025/3/72025/3/72025/3/72025/3/72025/3/72025/3/72025/3/76.MATLAB神经网络工具箱的应用在网络训练过程中使用的是Matlab7.0forWindows软件，对于BP神经元网络的训练可以使用NeuralNetworksToolboxforMatlab。美国的Mathwork公司推出的MATLAB软件包既是一种非常实用有效的科研编程软件环境，又是一种进行科学和工程计算的交互式程序。MATLAB本身带有神经网络工具箱，可以大大方便权值训练，减少训练程序工作量，有效的提高工作效率.7.BP网络——应用实例步骤2：设计网络结构根据分析，该例的网络结构如图1所示。步骤3：初始化该网络的权值和偏差网络的初始权值和偏差一般是用随机函数生成的介于[-1,1]的小数,该例的初始权值和偏差如表3所示步骤4：进行训练将学习效率（学习因子）η设为0.7依次将表2中的样本输入网络，计算出个神经元的输入、输出和误差计算反向传播所得误差，更新权值和偏差，所有样本输入完毕后，判断是否满足终止条件，不满足则进行下一轮迭代，满足则迭代结束。第1次扫描迭代中,计算出各神经元的净输入、输出、误差、权值和偏差更新值如表4所示。步骤5：实现分类通过上述训练后，该BP网络可提取关于输入(存款金额、贷款次数、及时还贷率)和输出类(信用等级)的关联规则。利用这些规则即可实现对现有客户信用等级的分类,并据此做出客户贷款偿付预测,进行客户信用政策分析。结束例:BP神经网络水（处理）系统的模拟与预测等方面获得了广泛的应用。样本检验样本隐层神经元数的选择隐层神经元数的选择是一个十分复杂的问题。因为没有很好的解析式表示，可以说隐层神经元数与问题的要求、输入层与输出层神经元的数量、训练样本的数量等都有直接关系。事实上隐层神经元太少不可能将网络训练出来，但太多又使学习时间过长，使网络不“不强壮”，泛化能力下降，即不能识别以前没有直接接收到的样本，容错性差。当隐层数为20×10和8×4时的训练结果:神经网络模型的各层节点数分别为：输入层2个；第一隐层12个；第二隐层6个；输出层1个。综合以上研究内容，建立光催化臭氧氧化处理自来水工艺神经网络模型如图6-3所示。1．学习率η和动量因子αBP算法本质上是优化计算中的梯度下降法，利用误差对于权、阀值的一阶导数信息来指导下一步的权值调整方向，以求最终得到误差最小。为了保证算法的收敛性，学习率η必须小于某一上限，一般取0<η<1而且越接近极小值，由于梯度变化值逐渐趋于零，算法的收敛就越来越慢。在网络参数中，学习率η和动量因子α是很重要的，它们的取值直