12.神经网络预测概论.ppt

%以每三个月的销售量经归一化处理后作为输入 P =[ 0.5152 0.8173 1.0000 0.7308 0.1390 0.1087 0.8173 1.0000 0.7308 0.1390 0.1087 0.3520 1.0000 0.7308 0.1390 0.1087 0.3520 0]’%以第四个月的销售量归一化处理后作为目标向量 T=[0.7308 0.1390 0.1087 0.3520 0.0000 0.3761]; %创建一个BP神经网络，每一个输入向量的取值范围为[0 ,1]，隐含层有5个神经%元，输出层有一个神经元，隐含层的激活函数为tansig，输出层的激活函数为%logsig，训练函数为梯度下降函数，即2.3.2节中所描述的标准学习算法 net=newff([0 1;0 1;0 1],[5,1],{tansig,logsig},traingd); net.trainParam.epochs=15000; net.trainParam.goal=0.01; %设置学习速率为0.1 LP.lr=0.1; net=train(net,P,T); sim(net,P) plot(i,T,B+,i,ans,g*) BP网络应用于药品预测对比图 由对比图可以看出预测效果与实际存在一定误差，此误差可以通过增加运行步数和提高预设误差精度业进一步缩小 BP网络的不足 传统的BP算法也存在一些不足，如效率低、收敛慢、易于陷入局部极小等，许多改进算法如共轨梯度算法、基于信息熵优化的算法、模拟退火算法和基因复合算法等已不断得到应用。 BP算法基本步骤 终止条件： 更新权值较小 正确分类的样本百分比 超过预先指定的训练周期（实践中，权收敛可能需要数十万个周期） 3·3 例：从蠓虫分类说起 1981年生物学家格若根（W． Grogan）和维什（W．Wirth）发现了两类蠓虫(midges)．他们测量了这两类蠓虫每个个体的翼长和触角长，数据如下： 翼长 触角长 类别 1.64 1.38 Af 1.82 1.38 Af 1.90 1.38 Af 1.70 1.40 Af 1.82 1.48 Af 1.82 1.54 Af 2.08 1.56 Af 翼长 触角长 类别 1.78 1.14 Apf 1.96 1.18 Apf 1.86 1.20 Apf 1.72 1.24 Af 2.00 1.26 Apf 2.00 1.28 Apf 1.96 1.30 Apf 1.74 1.36 Af 后来有人抓到三只新的蠓虫，它们的触角长和翼长分别为(l.24,1.80); (l.28，1.84)；（1.40，2.04）．问它们应分别属于哪一个种类？ 解法一： 把翼长作纵坐标，触角长作横坐标；那么每个蠓虫的翼长和触角决定了坐标平面的一个点.其中 6个蠓虫属于 APf类；用黑点“·”表示；9个蠓虫属 Af类；用小圆圈“。”表示． 得到的结果见图1 图1蠓虫的触角长和翼长 思路：作一直线将两类蠓虫分开 例如；取A＝（1.44，2.10）和 B＝(1.10，1.16)，过A B两点作一条直线： y＝ 1.47x - 0.017 其中X表示触角长；y表示翼长． 分类规则：设一个蠓虫的数据为（x, y） 如果y≥1.47x - 0.017，则判断蠓虫属Apf类； 如果y＜1.47x - 0.017；则判断蠓虫属Af类． 分类结果：(1.24，1.80)，(1.28，1.84)属于Af类；(1.40，2.04）属于 Apf类． 图2 分类直线图 ?缺陷：根据什么原则确定分类直线？ 若取A=(1.46,2.10), B=(1.1,1.6)不变，则分类直线变为 　y=1.39x+0.071 分类结果变为： (1.24,1.80)， (1.40,2.04) 属于Apf类； (1.28,1.84)属于Af类 哪一分类直线才是正确的呢？ 因此如何来确定这个判别直线是一个值得研究的问题．一般地讲，应该充分利用已知的数据信息来确定判别直线． 再如，如下的情形已经不能用分类直线的办法：