神经网络计算-建模讲义解析课件.ppt
- 【下载声明】
1. 本站全部试题类文档,若标题没写含答案,则无答案;标题注明含答案的文档,主观题也可能无答案。请谨慎下单,一旦售出,不予退换。
2. 本站全部PPT文档均不含视频和音频,PPT中出现的音频或视频标识(或文字)仅表示流程,实际无音频或视频文件。请谨慎下单,一旦售出,不予退换。
3. 本页资料《神经网络计算-建模讲义解析课件.ppt》由用户(晟晟文业)主动上传,其收益全归该用户。163文库仅提供信息存储空间,仅对该用户上传内容的表现方式做保护处理,对上传内容本身不做任何修改或编辑。 若此文所含内容侵犯了您的版权或隐私,请立即通知163文库(点击联系客服),我们立即给予删除!
4. 请根据预览情况,自愿下载本文。本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
5. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007及以上版本和PDF阅读器,压缩文件请下载最新的WinRAR软件解压。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 神经网络 计算 建模 讲义 解析 课件
- 资源描述:
-
1、 ()()g Wg W%12121 (,),(,).NNNWWWWL%L 0,0 1 0.xg xx;,1,0 1 0.xg xx;,11exp()g xx tanh()g xx0y 1 1 =1x22 =1xy 1,0;sgn()1,0.xxx1212 1,1,1.5;2,3,4.wwww1212 1,1,0.5;1,1,1.wwww123-1sgn()123www1122 sgn -ww12(0),(0),0 nwwwL12(,),1,2,jjjjnjJLLjOj sgn()jjwt 1 ()(-)jjjwtwtO0 1()sgn()g xx0.1(0)(0,1,0)TW 1 1 2(1,
2、0),1;(2,0),TT 2 -1。1 2 1 2 ,(,),mmmm ppWWWWLL1.PmmpppWW1().PmmpppgWgW(,)fx y,P x y ,ffxy,(1)-1-2 ,(1)-1-2 x ny nx ny nfx yx nx nx nxfx yy nynyny 0 122(,)fx yxy211,0.0227 0.00395 1.3952JjjjEO 1 2(,),NL1111,Nnnnhww 11 12 1,NwwwL111 .Nnnngw111,PpppHW 1 2(,),PL 1 11 12 1,PWWWWL111().PpppgW 211111 ()2JMP
3、Njjmmppn njmpnOgWgw2 11(,)2JjjjE W wO 21()()2jjE WW (1)()()jjW tW tt 0 1,()=().jjjtOWt11()(),JJjjjjjjmpmmmpmpjjmpEWOg HW 1,()().PjjjjjjmmppmmmmpHWOg H其中,为学习率,而 0 其中,11,jJJpjjpnpnjjjpnppnEEwww 11,().NMjjjpjppnnpjmmpnmhwg hWBP 网络用于求解XOR问题 ,.jjjjmpmppnpnWw ()g x 11exp()g xx tanh()f xxtanh().xxxxeexee 2
4、 1-g(x)g(x);1-g(x).gxfx x 0gx其中,学习率 、动量系数 均在 之间选取。()(1)(),pqpqpqE twtwtw (0,1),0;,0.aEbE如果如果 其中,是误差函数 的改变量,和 是适当的正常数。EEab我们曾利用BP网络来预测上海股市综合指数的涨跌。输入层有13个单元,包括今日最高、最低及收盘指数,当日及三十日平均涨跌值等13个参数.隐层为3-5个单元,输出层为一个单元.输出+1时表示预测第二天涨,输出-1时则表示第二天跌.活化函数选为双曲正切函数(其中=0.65),并采用了惯性项.训练时,采用135天的数据去生成80个训练样本、25个检测样本进行实验。
5、训练样本精度达到95%左右,而检验样本精度在65-80%之间.1()()Ppppg xxc 11,jjJNjxyRRjy1p(),1,jjg xyjJjypcJP,1,ppcxpP pJP 若 ,则1()()Ppppg xx 221()(),()exp().2()ppppPpqqxcRxxRxRx x 22exp2pppxcRx).2pxc 薄板样条函数:2()lg();xxx x 多二次函数:122()(),0;xxcc 逆多二次函数:122()(),0.xxccK 1、给定训练样本 .2、将聚类中心 初始化(例如可选为 )3、将 按距离远近向 聚类,分成 P 组。方法为:若 ,则令:4、计
6、算样本均值,作为新的聚类中心(是类 中所含样本的个数)。5、若新旧 相差很小,则停止否则转31jJNjxRpc1 iPix1jJjx1 Piic1Ppppjx1|min|jjppp Pxcxc pM 1,1,.jPjpxpcxpPM1 PiicK 1、将聚类中心 初始化2、随机选取样本向量 .3、将 按距离远近向 聚类,方法为:若 ,则令:4、调整样本中心 (是给定的学习速率):5、若新旧 相差很小,则停止否则转2pcjxjx1 Piic1Ppppjx1|min|jjppp Pxcxc pc0(),;,.oldjoldppnewpoldpcxcppccppp2211pppxpxcM、,max1
展开阅读全文