BP神经网络及径向基神经网络对数据信号处理仿真解说.doc

佛 山 科 学 技 术 学 院 《神经网络》综合项目报告 专 业 数学与应用数学 姓 名 成 绩 班 级 数学与应用数学 学 号 日 期 2015.6.16 目的 1．设计BP神经网络对数字信号处理机进行仿真； 2. 设计径向基函数神经网络对数字信号处理机进行仿真； 3. 比较上述两种神经网络对数字信号处理机的仿真结果， 确定这两种方法的优缺点。 原理与方案 BP网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层、隐层和输出层。 径向基函数神经网络由三层组成，输入层节点只传递输入信号到隐层，隐层节点由像高斯函数那样的辐射状作用函数构成，而输出层节点通常是简单的线性函数。 隐层节点中的作用函数（基函数）对输入信号将在局部产生响应，也就是说，当输入信号靠近基函数的中央范围时，隐层节点将产生较大的输出，由此看出这种网络具有局部逼近能力，所以径向基函数网络也称为局部感知场网络。 步骤 1.BP神经网络对数字信号处理机进行仿真。 第一步：在数字信号处理机采样，并在matlab提取相关数据。 rawData = importdata(dsp1.txt); %读取数据，存入矩阵rawData inputData = rawData(1:20,:); %矩阵rawData前二十行是输入数据，把输入数据存入inputData outputData = rawData(21:40,:); %矩阵rawData后二十行是输出数据，把输出数据存入outputData inputDataTra = inputData; %矩阵转置 outputDataTra = outputData; %矩阵转置 P = [inputDataTra(1:end); outputDataTra(1:end)]; %matlab中矩阵是按照列顺序存取数据的， %所以可以通过这种方式，把输入输出矩阵整合 %为2行200列的矩阵p，p中第一行为输入数据， %第二行为输出数据。 p = P(:,1:199); t = P(2,2:200); 第二步：BP网络的创建与训练。用函数newff（）构造神经网络，选择隐层和输出层神经元函数分别为tansig函数和purelin函数，网络训练方法分别用了梯度下降法traingd。 figure(1); plot(p,t,r-); title(实际输入与实际输出图,fontsize,12) ylabel(实际输出,fontsize,12) xlabel(样本,fontsize,12) net=newff(minmax(p),[10 1],{tansig purelin},traingd); net.trainParam.epochs=50000; net.trainParam.goal=0.00001; net.trainParam.lr=0.01; %net.trainParam.min_grad=1e-50; net=train(net,p,t); t2=sim(net,p); 第三步：重复训练，将仿真值和实际输出值进行对比，计算误差，分析模型的稳定性。 figure(3) plot(p,t2,:og); hold on plot(p,t,-*); title(BP网络预测输出,fontsize,12) ylabel(函数输出,fontsize,12) xlabel(样本,fontsize,12) error=t2-t; figure(4) plot(error,-*) title(BP网络预测误差,fontsize,12) ylabel(误差,fontsize,12) xlabel(样本,fontsize,12) figure(5) plot((t-t2)./t2,-*); title(神经网络预测误差百分比)