動車組檢測與故障檢測技術期末大作業(yè)————使用BP神經網絡模型編程實現非線性函數的非線性識別班級：XXXX級XXXXXXXXX學號： XXXXXXXXXXX姓名： XXXXXXXXXXXX成績：20131218 動車組檢測與故障檢測技術期末大作業(yè) 目 錄第一章BP神經網絡簡介...................................................-1-第一節(jié)人工神經網絡..................................................-1-1.1.1人工神經網絡的結構.......................................-1-1.1.2人工神經元的工作過程.....................................-2-第二節(jié)BP神經網絡...................................................-2-1.2.1BP神經網絡及其網絡結構...................................-2-1.2.2BP神經網絡的學習過程.....................................-3-第二章使用MATLAB程序編程實現...........................................-4-第一節(jié)MATLAB程序...................................................-4-第二節(jié)輸出結果......................................................-5-參考文獻.................................................................-6--1- 動車組檢測與故障檢測技術期末大作業(yè) 第一章BP神經網絡簡介廣義的說，神經網絡包括生物神經網絡和人工神經網絡兩種[2]。所謂生物神經網絡，是指由中樞神經系統(tǒng)（主要包括腦和脊髓）以及周圍神經系統(tǒng)（感覺神經，運動神經，交感神經，副交感神經等等）第一節(jié)人工神經網絡人工神經網絡的結構人工神經網絡（artificialneuralnets，ANN）[2]是由大量處理單元經過1-1所示，圖中，圓表示神經元的細胞體，(i=1,2,?,n)表示該神經元的外部輸入，對應θ表示神經元的閾值；Y圖1-1人工神經元的結構模型層-1- 動車組檢測與故障檢測技術期末大作業(yè) 人工神經元的工作過程假設當前的神經元共接受來自ni個神經元的輸入信息用(i=1,2,?,n)i個神經元的相互作用強度（i個神經元的連接權值）部閾值為θ。那么，當前神經元的輸入為：1，而當前神經元的輸出為：Y=f(+θ)，其中，f稱為激發(fā)函數或作用函數，它決定神經元的輸出。激發(fā)函數一般（簡S型）和雙曲正切型這四種類型，如下圖所示。第二節(jié)BP神經網絡

圖1-1常用的激發(fā)函數BP神經網絡及其網絡結構BP(Back-Propagation)神經網絡算法[2]，即反向傳播神經網絡算法，是一種用于前向多層神經網絡的反向傳播學習算法，這種算法由梅爾哈特(D.Rumelhart)和麥克萊倫德(MeClelland)于1985年提出，并實現了明斯基的BPBPBPBP時，這種算法也是前向網絡得以廣泛應用的基礎。BP神經網絡的網絡結構是一個前向的多層網絡，該網絡中不僅含有輸入層BPS型函BP1-1-2- 動車組檢測與故障檢測技術期末大作業(yè) 圖1-1基本的BP神經網絡結構圖BP神經網絡的學習過程定要求。BP神經網絡的學習目的是對網絡的連接權值進行調整，使得調整后的網絡對任一輸入都能夠得到所期望的輸出。BP神經網絡的學習過程由正向傳播和反（，修改神經元之間的連接權值，使得網絡對輸入信息進行計算后所得到的輸出能夠達到期望的誤差要求。BP神經網絡的學習方法是使BP神經網絡的學習過程[2]如下：成。一般來說，神經網絡的輸入信息是一個向量(X，X，?X,X)，我們稱之為輸-3- 動車組檢測與故障檢測技術期末大作業(yè) 入向量，神經網絡的輸出信息也是一個向量(Y,Y，?Y，Y)，我們稱之為輸出向量。(3).分別計算經過神經元處理后的各層節(jié)點的輸出。計算網絡的實際輸出和期望輸出的誤差。展的原則，調整網絡中各神經元的連接權值。對訓練樣例集當中的每一個樣例重復(3)－(5例集的誤差達到要求時為止。MATLAB第一節(jié)MATLAB>>t=[0:0.01:1];>>y=exp(-t).*sin(7*pi*t)+8*pi*t;%要識別的函數>>net=newff(minmax(t),[1,7,1],{'tansig','tansig','purelin'},'trainlm');>>y1=sim(net,t);>>net.trainParam.epochs=100;>>net.trainParam.goal=0.01;%訓練精度>>net.trainParam.lr=0.01;>>net=train(net,t,y);TRAINLM,Epoch0/100,MSE176.254/0.01,Gradient2514.89/1e-010TRAINLM,Epoch25/100,MSE0.193612/0.01,Gradient151.308/1e-010TRAINLM,Epoch50/100,MSE0.184692/0.01,Gradient127.364/1e-010TRAINLM,Epoch75/100,MSE0.177585/0.01,Gradient23.4319/1e-010TRAINLM,Epoch100/100,MSE0.176541/0.01,Gradient1.17036/1e-010TRAINLM,Maximumepochreached,performancegoalwasnotmet.>>y2=sim(net,t);>>figure;>>subplot(2,1,1);plot(t,y)>>xlabel('t');>>ylabel('y');>>title('給定函數');>>subplot(2,1,2);>>plot(t,y,'-o',t,y2,'-r')>>legend('給定函數','網絡輸出');>>title('訓練后的結果');>>figure;-4- 動車組檢測與故障檢測技術期末大作業(yè) 第二節(jié)輸出結果圖2.1神經網絡訓練-5- 動車組檢測與故障檢測技術期末大作業(yè) 圖2.2訓練后的結果參考文獻[1]. 郭利