前饋神經網路（matlab例項）

前饋網路也稱前向網路。這種網路只在訓練過程會有反饋訊號，而在分類過程中資料只能向前傳送，直到到達輸出層，層間沒有向後的反饋訊號，因此被稱為前饋網路。感知機( perceptron)與bp神經網路就屬於前饋網路。

對於乙個3層的前饋神經網路n，若用x表示網路的輸入向量，w1~w3表示網路各層的連線權向量，f1~f3表示神經網路3層的啟用函式。

那麼神經網路的第一層神經元的輸出為：

o1 = f1( xw1 )

第二層的輸出為：

o2 = f2 ( f1( xw1 ) w2 )

輸出層的輸出為：

o3 = f3( f2 ( f1( xw1 ) w2 ) w3 )

若啟用函式f1~f3都選用線性函式，那麼神經網路的輸出o3將是輸入x的線性函式。因此，若要做高次函式的逼近就應該選用適當的非線性函式作為啟用函式。

有一批iris花，已知這批iris花可分為3個品種，現需要對其進行分類。不同品種的iris花的花萼長度、花萼寬度、花瓣長度、花瓣寬度會有差異。我們現有一批已知品種的iris花的花萼長度、花萼寬度、花瓣長度、花瓣寬度的資料。

一種解決方法是用已有的資料訓練乙個神經網路用作分類器。

將iris資料集分為2組，每組各75個樣本，每組中每種花各有25個樣本。其中一組作為以上程式的訓練樣本，另外一組作為檢驗樣本。為了方便訓練，將3類花分別編號為1，2，3 。

使用這些資料訓練乙個4輸入（分別對應4個特徵），3輸出（分別對應該樣本屬於某一品種的可能性大小）的前向網路。

%讀取訓練資料
[f1,f2,f3,f4,class] = textread('traindata.txt' , '%f%f%f%f%f',150);
%特徵值歸一化
[input,mini,maxi] = premnmx( [f1 , f2 , f3 , f4 ]') ;
%構造輸出矩陣
s = length( class) ;
output = zeros( s , 3 ) ;
fori = 1 : s 
output( i , class( i ) ) = 1 ;
end%建立神經網路
net = newff( minmax(input) , [10
3] , , 'traingdx' ) ; 
%設定訓練引數
net.
trainparam.show = 50 ;
net.
trainparam.epochs = 500 ;
net.
trainparam.goal = 0.01 ;
net.
trainparam.lr = 0.01 ;
%開始訓練
net = train( net, input , output' ) ;
%讀取測試資料
[t1 t2 t3 t4 c] = textread('testdata.txt' , '%f%f%f%f%f',150);
%測試資料歸一化
testinput = tramnmx ( [t1,t2,t3,t4]' , mini, maxi ) ;
%**y = sim( net , testinput ) 
%統計識別正確率
[s1 , s2] = size( y ) ;
hitnum = 0 ;
fori = 1 : s2
[m , index] = max( y( : , i ) ) ;
if( index == c(i) ) 
hitnum = hitnum + 1 ; 
endendsprintf('識別率是 %3.3f%%',100 * hitnum / s2 )

訓練曲線如下：

訓練140次左右收斂。最後程式輸出的識別率在95%左右。

<1>隱含層節點個數

隱含層節點的個數對於識別率的影響並不大，但是節點個數過多會增加運算量，使得訓練較慢。

<2>啟用函式的選擇

啟用函式無論對於識別率或收斂速度都有顯著的影響。在逼近高次曲線時，s形函式精度比線性函式要高得多，但計算量也要大得多。

<3>學習率的選擇

學習率影響著網路收斂的速度，以及網路能否收斂。學習率設定偏小可以保證網路收斂，但是收斂較慢。相反，學習率設定偏大則有可能使網路訓練不收斂，影響識別效果。

前饋神經網路（matlab例項）

前饋神經網路

前饋神經網路神經元

深度學習前饋神經網路

前饋神經網路（matlab例項）

前饋神經網路

前饋神經網路 神經元

深度學習 前饋神經網路

相關推薦

前饋神經網路神經元

深度學習前饋神經網路