利用matlab仿真的bp-ann分類器設計

1、BPANNBPANN分類器設計分類器設計1.1.引言引言從深層意義上看，模式識別和人工智能本質都是在解決如何讓用機器模擬人腦認知的過程。一方面，從需要實現的功能出發(fā)，我們可以將目標分解為子功能，采用自定而下的的分解法實現我們需要的擬合算法。而另一方面，無論人腦多么復雜，人類的認知過程都可以認為若干個神經元組成的神經網絡在一定機制下經由復雜映射產生的結果。從神經元的基本功能出發(fā)，采用自下而上的設計方法，從簡單到復雜，也是實現擬合算法的一條

2、高效途徑。1.11.1什么是人工神經網絡什么是人工神經網絡人工神經網絡（ArtificialNeuralwk，ANN）是一種應用類似于大腦神經突觸聯接的結構進行信息處理的數學模型。在工程與學術界也常直接簡稱為神經網絡或類神經網絡。神經網絡是一種運算模型，由大量的節(jié)點（或稱神經元）之間相互聯接構成。每個節(jié)點代表一種特定的輸出函數，稱為激勵函數（activationfunction）。每兩個節(jié)點間的連接都代表一個對于通過該連接信號的加權值，

3、稱之為權重，這相當于人工神經網絡的記憶。網絡的輸出則依網絡的連接方式，權重值和激勵函數的不同而不同。而網絡自身通常都是對自然界某種算法或者函數的逼近，也可能是對一種邏輯策略的表達。人工神經網絡是由大量處理單元互聯組成的非線性、自適應信息處理系統(tǒng)。它是在現代神經科學研究成果的基礎上提出的，試圖通過模擬大腦神經網絡處理、記憶信息的方式進行信息處理。人工神經網絡具有四個基本特征：（1）非線性非線性關系是自然界的普遍特性。大腦的智慧就是一種非線

4、性現象。人工神經元處于激活或抑制二種不同的狀態(tài)，這種行為在數學上表現為一種非線性關系。具有閾值的神經元構成的網絡具有更好的性能，可以提高容錯性和存儲容量。（2）非局限性一個神經網絡通常由多個神經元廣泛連接而成。一個系統(tǒng)的整體行為不僅取決于單個神經元的特征，而且可能主要由單元之間的相互作用、相互連接所決定。通過單元之間的大量連接模擬大腦的非局限性。聯想記憶是非局限性的典型例子。（3）非常定性人工神經網絡具有自適應、自組織、自學習能力。神經

5、網絡不但處理的信息可以有各種變化，而且在處理信息的同時，非線性動力系統(tǒng)本身也在不斷變化。經常采用迭代過程描寫動力系統(tǒng)的演化過程。（4）非凸性一個系統(tǒng)的演化方向，在一定條件下將取決于某個特定的狀態(tài)函數。例如能量函數，它的極值相應于系統(tǒng)比較穩(wěn)定的狀態(tài)。非凸性是指這種函數有多個極值，故系統(tǒng)具有多個較穩(wěn)定的平衡態(tài)，這將導致系統(tǒng)演化的多樣性。1.21.2BPANNBPANN的優(yōu)缺點的優(yōu)缺點BPANN的優(yōu)點，主要表現在三個方面：第一，具有自學習功能

6、。網絡能通過學習帶正確答案的實例集自動提取“合理的”求解規(guī)則，即具有自學習能力。自學習功能對于預測有特別重要的意義。預期未來的人工神經網絡計算機將為人類提供經濟預測、市場預測、效益預測，其應用前途是很遠大的。例如實現圖像識別時，只在先把許多不同的圖像樣板和對應的應識別的結果輸入人工神經網絡，網絡就會通過自學習功能，慢慢學會識別類似的圖像。第二，具有聯想存儲功能。用人工神經網絡的反饋網絡就可以實現這種聯想。第三，具有擬合任何網絡的的能力。

7、網絡實質上實現了一個從輸入到輸出的映射功3.神經網絡與專家系統(tǒng)的結合神經網絡與專家系統(tǒng)的結合基于神經網絡與專家系統(tǒng)的混合系統(tǒng)的基本出發(fā)點立足于將復雜系統(tǒng)分解成各種功能子系統(tǒng)模塊，各功能子系統(tǒng)模塊分別由神經網絡或專家系統(tǒng)實現。其研究的主要問題包括：混合專家系統(tǒng)的結構框架和選擇實現功能子系統(tǒng)方式的準則兩方面。由于該混合系統(tǒng)從根本上拋開了神經網絡和專家系統(tǒng)的技術限制，是當前研究的熱點。把粗集神經網絡專家系統(tǒng)用于醫(yī)學診斷，表明其相對于傳統(tǒng)方法的

8、優(yōu)越性。4.神經網絡與模糊邏輯的結合神經網絡與模糊邏輯的結合模糊邏輯是一種處理不確定性、非線性問題的有力工具。它比較適合于表達那些模糊或定性的知識，其推理方式比較類似于人的思維方式，這都是模糊邏輯的優(yōu)點。但它缺乏有效的自學習和自適應能力。而將模糊邏輯與神經網絡結合，則網絡中的各個結點及所有參數均有明顯的物理意義，因此這些參數的初值可以根據系統(tǒng)的模糊或定性的知識來加以確定，然后利用學習算法可以很快收斂到要求的輸入輸出關系，這是模糊神經網絡

9、比單純的神經網絡的優(yōu)點所在。同時，由于它具有神經網絡的結構，因而參數的學習和調整比較容易，這是它比單純的模糊邏輯系統(tǒng)的優(yōu)點所在。模糊神經網絡控制已成為一種趨勢，它能夠提供更加有效的智能行為、學習能力、自適應特點、并行機制和高度靈活性，使其能夠更成功地處理各種不確定的、復雜的、不精確的和近似的控制問題。5.神經網絡與小波分析的結合神經網絡與小波分析的結合小波變換是對Fourier分析方法的突破。它不但在時域和頻域同時具有良好的局部化性質，

10、而且對低頻信號在頻域和對高頻信號在時域里都有很好的分辨率，從而可以聚集到對象的任意細節(jié)。利用小波變換的思想初始化小波網絡，并對學習參數加以有效約束，采用通常的隨機梯度法分別對一維分段函數、二維分段函數和實際系統(tǒng)中汽輪機壓縮機的數據做了仿真試驗，并與神經網絡、小波分解的建模做了比較，說明了小波網絡在非線性系統(tǒng)黑箱建模中的優(yōu)越性。小波神經網絡用于機器人的控制，表明其具有更快的收斂速度和更好的非線性逼近能力。1.41.4本文解決的問題本文解決