文件名称：BP神经网络-c程序设计语言(第2版·新版)非扫描版-the_c_programming_language )
文件大小：1.67MB
文件格式：PDF
更新时间：2024-07-20 23:27:22
数据分析及处理
5.4 BP神经网络 人工神经网络（Artificial Neural Network, ANN）是集脑科学、神经心理学和 信息科学等多学科的交叉研究领域，是近年来高科技领域的一个研究热点。它的 研究目标是通过研究人脑的组成机理和思维方式，探索人类智能的奥秘，进而通 过模拟人脑的结构和工作模式，使机器具有类似人类的智能。人工神经网络是由 神经元广泛互连构成的，不同的连接方式就构成了网络的不同连接模型。常用的 有以下几种：前向网络、从输出层到输入层有反馈的网络、层内有互连的网络、 互连网络。人工神经网络具有人脑的学习记忆功能，主要应用于数据建模、预测、 模式识别和函数优化等方向。 1943 年，Warren McCulloch 和 Walter Pitts 建立了第一个人工神经网络模 型；1960 年威德罗和霍夫率先把神经网络用于自动控制研究；1969 年，Minsky 和 Papert 发表 Perceptrons；20 世纪 80 年代，Hopfield 将人工神经网络成功 应用在组合优化问题。随着人工神经网络研究的复苏和发展，对神经网络控制的 研究也十分活跃。这方面的研究进展主要在神经网络自适应控制和模糊神经网络 控制及其在机器人控制中的应用。 神经网络的优点是多输入多输出实现了使得并行处理以及自学习能力。前向 反馈（Back Popagarion, BP）网络和径向基（Radical Basis Function,RBF）网络是 目前技术最成熟、应用范围最广泛的两种网络。神经网络的拓扑结构包括网络层 数、各层神经元数量以及各神经元之间相互连接方式，三者都根据实际情况再具 体确定取值。神经网络可以有多个输入，也可以有多个输出。人工神经网络处理 信息的主要原理是：通过信息样本对神经网络的训练，使其具有人的大脑的记忆 以及辨识能力，完成各种信息处理功能。它不需要任何先验公式，就能从已有数 据中自动地归纳规则，获得这些数据的内在规律，具有良好的自学习、自适应、 联想记忆、并行处理以及非线性转换的能力，特别适合于因果关系复杂的非确定 性推理、判断、识别和分类等问题。特别是，对于随机的，正态的数据，可以利 用人工神经网络算法进行统计分析，做出拟合和预测。本章主要介绍 BP 神经网 络的基本数学原理、MATLAB 源程序开发以及 MATLAB 工具箱的使用。 5.4.1 感知器模型 感知器是一个多输入、单输出的变换系统，如图 5.4.1 所示： 图 5.4.1 单感知器模型