1、1BP神經網絡2輸入樣本，計算誤差開始是否收斂數據初始化否結束是劃分訓練數據與測試數據初始化BP網絡調整權值BP神經網絡算法使用流程圖3數據初始化1、目前有300名管理學院全體男女生的身高，體重，性別的數據存在EXCEL表中；2、在EXCEL表中讀取數據；3、將數據存在DATA（height,weight,gender）的數組中。4劃分訓練數據與測試數據取其中男女各50人作為訓練數據，其他留作測試數據。5初始化BP網絡x1x2xMK1K2KIY1YJij6初始化BP網絡-輸入層x1x2xMK1K2KIY1YJ輸入層輸入層的節點數等于樣本的維度。在本例中，學生的維度為身高，體重，故神經網絡輸入節

2、點為2。7初始化BP網絡-隱含層x1x2xMK1K2KIY1YJ輸入層隱含層隱含層實現了非線性映射。隱含層節點數對BP網絡性能有很大影響，一般較多的節點可以帶來更好的性能，但可能導致訓練時間過長。隱含層節點數的經驗公式：M=log2n,n為輸入層神經元的個數8初始化BP網絡-輸出層x1x2xMK1K2KIY1YJ輸入層隱含層輸出層輸出層的個數需要根據實際問題中得到的抽象模型進行確定。如在模式分別問題中，共有n個種類，則輸出層可以有n個神經元。在本例中，輸出層為兩個神經元，男、女。9初始化BP網絡-傳遞函數x1x2xMK1K2KIY1YJ輸入層隱含層輸出層傳遞函數每一層神經元都有一個傳遞函數，在

3、經典BP網絡中，輸入層傳遞函數原函數，隱含層傳遞函數為Sigmoid函數，輸出層傳遞函數為線性函數。10初始化BP網絡-神經網絡的運行(工作信號正向傳播)x1x2xMK1K2KIY1YJ輸入層隱含層輸出層以隱含層為例，隱含層神經元Ki的輸入令 為sigmoid函數，則隱含層神經元Ki 的輸出m 1( )MmimiMuvn( )f ( )( )IiiIvnf u n11是否收斂1、可以給誤差設置一個閾值2、訓練到固定代數，停止12調整權值-神經網絡的運行(誤差反向傳播)x1x2xMK1K2KIY1YJ輸入層隱含層輸出層我們令輸出層的誤差為 ,則網絡總誤差為首先我們可以調節隱含層與輸出層的參數，根

4、據最速下降法,求導得，誤差向前傳播，我們可以調整輸入層和隱含層的參數。( )( )( )jjjJe nd nvn211( )( )2jJje ne n( )( )( )ijIw ne n v n 131、動量BP法2、學習率可變的BP算法3、擬牛頓法 調整權值- 的其他調整方式( )(1)( )( )(1)ijIw ne n v nw n 1(1)( )( ) ( )w nw nHn g n( )(1)( )incdecknnkn(1)( )e ne n(1)( )e ne n14實際MATLAB應用% 腳本 使用newff函數實現性別識別% main_newff.m% 清理clear,clc

5、rng(default)rng(2)% 讀入數據xlsfile=student.xls;data,label=getdata(xlsfile);% 劃分數據traind,trainl,testd,testl=divide(data,label);% 創建網絡net=feedforwardnet(3);%3代表隱含層的節點數net.trainFcn=trainbfg;% 訓練網絡net=train(net,traind,trainl);%traind和 trainl分別代表輸入、出層節點數 % 測試test_out=sim(net,testd);test_out(test_out=0.5)=1;test_out(test_out0.5