本程序是BP算法的演示程序, 其中的Levenberg-Marquardt算法具有實用價值.
一、網(wǎng)絡(luò)訓練
程序默認狀態(tài)是樣本訓練狀態(tài),現(xiàn)將樣本訓練狀態(tài)下的如何訓練網(wǎng)絡(luò)進行說明:
1.系統(tǒng)精度:
定義系統(tǒng)目標精度,根據(jù)需要定義網(wǎng)絡(luò)訓練誤差精度.誤差公式是對訓練出網(wǎng)絡(luò)的輸出層節(jié)點和實際的網(wǎng)絡(luò)輸出結(jié)果求平方差的和.
最大訓練次數(shù):
默認為10000次,根據(jù)需要調(diào)整,如果到達最大訓練次數(shù)網(wǎng)絡(luò)還未能達到目標精度,程序退出.
3.步長:
默認為0.01,由于采用變步長算法,一般不需人工設(shè)置.
4.輸入層數(shù)目:
人工神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元的節(jié)點數(shù)目.
5.隱含層數(shù)目:
人工神經(jīng)網(wǎng)絡(luò)的隱含層神經(jīng)元的節(jié)點數(shù)目.
6.輸出層數(shù)目:
人工神經(jīng)網(wǎng)絡(luò)的輸出層神經(jīng)元的節(jié)點數(shù)目.
7.訓練算法:
強烈建議選取Levenberg-Marquardt算法,該算法經(jīng)過測試比較穩(wěn)定.
8.激活函數(shù):
不同的網(wǎng)絡(luò)激活函數(shù)表現(xiàn)的性能不同,可根據(jù)實際情況選擇.
9.樣本數(shù)據(jù)的處理:
由于程序沒有實現(xiàn)歸一化功能, 因此用來訓練的樣本數(shù)據(jù)首先要歸一化后才能進行訓練.
標簽：
Levenberg-Marquardt
程序
狀態(tài)
樣本
上傳時間：
2013-12-19
上傳用戶：firstbyte
