matlab與機械優化設計

三級項目--BP神經網絡的建立與matlab實現組員：齊意媛李健通俞海坤屈永豪指導教師:任素波目錄TOC\o"1-5"\h\z\o"CurrentDocument"一、 BP神經網絡的概述 2\o"CurrentDocument"二、 BP網絡的構建 2\o"CurrentDocument"三、 應用matlab進行計算 4\o"CurrentDocument"四、結論 6一、BP神經網絡的概述BP網絡（Back-ProPagationNetwork）又稱反向傳播神經網絡，通過樣本數據的訓練，不斷修正網絡權值和閾值使誤差函數沿負梯度方向下降，逼近期望輸出。它是一種應用較為廣泛的神經網絡模型，多用于函數逼近、模型識別分類、數據壓縮和時間序列預測等。輸入層隱層輸出層輸入層隱層輸出層圖2m吝三層EF網絡模BP網絡由輸入層、隱層和輸出層組成，隱層可以有一層或多層，圖2是mXkXn/（X）=一5一的三層BP網絡模型，網絡選用S型傳遞函數， 通過反傳誤差函童三 數 （（Ti為期望輸出、Oi為網絡的計算輸出），不斷調節網絡權值和閾值使誤差函數E達到極小。BP網絡具有高度非線性和較強的泛化能力，但也存在收斂速度慢、迭代步數多、易于陷入局部極小和全局搜索能力差等缺點。可以先用遺傳算法對“BP網絡”進行優化在解析空間找出較好的搜索空間，再用BP網絡在較小的搜索空間內搜索最優解。二、BP網絡的構建F面選取一個例子作為研究對象，選取運動員測試各項素質指標序號跳高成績30行進跑立定三級跳遠助跑摸高助跑4一6步跳咼負重深蹲杠鈴杠鈴半蹲系數100m抓舉12.243.29.63.452.151402.8115022.333.210.33.752.21203.410.97032.24393.52.21403.511.45042.323.210.33.652.21502.810.88052.23.210.13.52801.511.35062.273.4103.42.151303.211.56072.23.29.63.552.141303.511.86582.26393.52.11001.811.34092.23.29.63.552.11303.511.865102.243.29.23.52.11402.51150112.243.29.53.42.151152.811.950122.23.993.12802.21350132.23.19.53.62.1902.711.170142.353.29.73.452.151304.610.8570153.09.33.32.051002.811.2501） 輸入輸出層的設計該模型由每組數據的各項素質指標作為輸入，以跳高成績作為輸出，所以輸入層的節點數為8,輸出層的節點數為1。2） 隱層設計有關研究表明，有一個隱層的神經網絡，只要隱節點足夠多，就可以以任意精度逼近一個非線性函數。因此，本文采用含有一個隱層的三層多輸入單輸出的BP網絡建立預測模型。在網絡設計過程中，隱層神經元數的確定十分重要。隱層神經元個數過多，會加大網絡計算量并容易產生過度擬合問題;神經元個數過少，則會影響網絡性能，達不到預期效果。網絡中隱層神經元的數目與實際問題的復雜程度、輸入和輸出層的神經元數以及對期望誤差的設定有著直接的聯系。目前，對于隱層中神經元數目的確定并沒有明確的公式，只有一些經驗公式，神經元個數的最終確定還是需要根據經驗和多次實驗來確定。本文在選取隱層神經元個數的問題上參照了以下的經驗公式：J+a其中,n為輸入層神經元個數,m為輸出層神經元個數,a為［1，10］之間的常數。根據上式可以計算出神經元個數為4-13個之間，在本次實驗中選擇隱層神經元個數為6.網絡結構示意圖如下：BP神經網絡通常采用Sigmoid可微函數和線性函數作為網絡的激勵函數。本文選擇S型正切函數tansig作為隱層神經元的激勵函數。而由于網絡的輸出歸一到［-1,1］范圍內，因此預測模型選取S型對數函數tansig作為輸出層神經元的激勵函數。設定網絡隱層和輸出層激勵函數分別為tansig和logsig函數,網絡訓練函數為traingdx,網絡性能函數為mse，隱層神經元數初設為6。設定網絡參數。網絡迭代次數epochs為5000次，期望誤差goal為0.00000001,學習速率lr為0.01。設定完參數后，開始訓練網絡。三、應用matlab進行計算代碼如下P=[3.23.233.23.23.43.233.23.23.23.93.13.2;9.610.3910.310.1109.699.69.29.599.59.7;3.453.753.53.653.53.43.553.53.553.53.43.13.63.45;2.152.22.22.222.152.142.12.12.12.1522.12.15;140120140150801301301001301401158090130;2.83.43.52.81.53.23.51.83.52.52.82.22.74.6;1110.911.410.811.311.511.811.311.81111.91311.110.85;5070508050606540655050507070];T=[2.242.332.242.322.22.272.22.262.22.242.242.22.22.35];[p1,minp,maxp,t1,mint,maxt]=premnmx(P,T);

%創建網絡net=newff(minmax(p1),[8,6,1],{'tansig','tansig','purelin'},'trainlm');%設置訓練次數net.trainParam.epochs=5000;%設置收斂誤差net.trainParam.goal=0.0000001;%訓練網絡[net,tr]=train(net,p1,t1);計算顯示如下NeuralNetworkTraining(nntrainiool)-二NeuralNetworkValidaticnCheck&sPerfomiance(plotperfcirm)TraininqState(plottrairEtate)Regr&csion(plotregr&EEiDn]ValidaticnCheck&sPerfomiance(plotperfcirm)TraininqState(plottrairEtate)Regr&csion(plotregr&EEiDn]AlgorithmsTraining;Leyenberg-Marqua『dt(trar-IrnjPerformance:MeanSquaredError(rriEG.Calculations:Mt￡XProgressEpoch:Time:PerformancesGradient:PlOti1epochsPlotInter?1epochs■薩Performancegoalmet.?StopTraining?Cancel%輸入數據a=[3.0;9.3;3.3;2.05;100;2.8;11.2;50];%將輸入數據歸一化a=premnmx(a);/r