BP神经网络

介绍

BP神经网络属于多层前向神经网络，BP网络是前向网络的核心部分，也是整个人工神经网络体系的精华，广泛应用于分类识别、逼*、回归、压缩等领域。

BP神经网络采用误差反向传播（Error Back Propagtion,BP)的学习算法。一个包含2层隐层的BP神经网络的拓扑结构如下图所示：

BP神经网络特点

• BP网络由多层构成，层与层之间全连接，同一层之间的神经元无连接。多层的设计，使得BP网络可以从输入中挖掘更多的信息，完成更复杂的任务。
• BP网络的传递函数必须可微。一般使用Sigmoid函数或者线性函数作为传递函数。根据输出值是否包含负值，Sigmoid函数又可以分为Log-Sigmoid函数和Tan-Sigmoid函数。Log-Sigmoid函数由确定：

BP网络的典型设计是隐含层采用Sigmoid函数作为传递函数，而输出层采用线性函数作为传递函数。

• 采用误差反向传播算法进行学习。训练网络权值时，沿着减小误差的方向，从输出层经过中间各层逐层向前修正网络的连接权值，随着学习的进行，误差越来越小。

BP网络学习算法

 最速下降法基于这样的原理：对于实值函数F(x),如果F(x)在某点x0处有定义且可微，则函数在该点处沿着梯度相反方向下降最快。

最速下降法的缺陷：

1.目标函数必须可微

2.如果最小值附*比较*坦，则算法会在最小值附*停留很久，收敛缓慢。可能出现“之”字形下降

3.算法可能陷入局部极小值，而没有达到全局最小值点

BP网络权值调整规则可以总结为：

BP网络的复杂性在于隐含层与隐含层之间、隐含层与输入层之间调整权值时，局部梯度的计算需要用到上一步计算的结果。也正是此原因，BP网络学习时，只能从后向前依次进行计算。

 最速下降BP法的改进

标准的最速下降法在实际应用中往往有收敛速度慢的缺点，几种标准BP算法的改进如下：

动量BP法

学习率可变的BP算法

学习率可变的BP算法通过观察误差的增减来判断，当误差以减小的方式趋于目标值时，说明修正方向是正确的，可以增加学习率；当误差超过一定范围时，说明前一步修正的不正确，应该减小步长，并撤销前一步修正的结果，学习率的增减通过一个增量/减量因子实现：

拟牛顿法

LM（Levenberg-Marquardt算法）

 设计BP网络的方法

• 网络层数

BP网络可以包含一个到多个隐含层，对于大部分应用场合，单个隐含层即可满足需要。

• 输入层节点数

输入层节点数取决于输入向量的维数

• 隐含层节点数

隐含层节点数对BP网络的性能有很大影响，一般较多的隐含层节点数可以带来更好的性能，但可能导致训练时间过长。通常采用经验公式给出估计值：

• 输出层神经元个数
• 传递函数的选择

一般隐含层使用Sigmoid函数，而输出层采用线性函数。

• 训练方式的选择
• 初始权值的确定

初始值过大或者过小都会对性能产生影响，通常将初始权值定义为较小的非零随机值，经验值为（-2.4/F,2.4/F）或者之间，其中F为权值输入端连接的神经元个数。

 BP网络相关函数

神经网络应用实例

 某学院共有260名学生，其中男生172人，女生88人，统计学生的身高和体重，部分数据如表所示：

本例将260个样本随机抽出一部分作为训练样本,训练一个BP神经网络，剩下的作为测试样本输入网络进行测试。

getdata.m    读取样本数据

function [data,label]=getdata(xlsfile)
% [data,label]=getdata('student.xls')
% read height,weight and label from a xls file

[~,label]=xlsread(xlsfile,1,'B2:B261');
[height,~]=xlsread(xlsfile,'C2:C261');
[weight,~]=xlsread(xlsfile,'D2:D261');

data=[height,weight];
l=zeros(size(label));
for i=1:length(l)
   if label{i}== '男'
       l(i)=1;
   end
end

label=l;

divide.m  将样本数据随机分为训练数据和测试数据

function [traind,trainl,testd,testl]=divide(data,label)
% [data,label]=getdata('student.xls')
%[traind,trainl,testd,testl]=divide(data,label)

% 随机数
% rng(0)
% 男女各取30个进行训练
TRAIN_NUM_M=30;
TRAIN_NUM_F=30;

% 男女分开
m_data=data(label==1,:);
f_data=data(label==0,:);

NUM_M=length(m_data); % 男生的个数

% 男
r=randperm(NUM_M);
traind(1:TRAIN_NUM_M,:)=m_data(r(1:TRAIN_NUM_M),:);
testd(1:NUM_M-TRAIN_NUM_M,:)= m_data(r(TRAIN_NUM_M+1:NUM_M),:);

NUM_F=length(f_data); % 女生的个数

% 女
r=randperm(NUM_F);
traind(TRAIN_NUM_M+1:TRAIN_NUM_M+TRAIN_NUM_F,:)=f_data(r(1:TRAIN_NUM_F),:);
testd(NUM_M-TRAIN_NUM_M+1:NUM_M-TRAIN_NUM_M+NUM_F-TRAIN_NUM_F,:)=f_data(r(TRAIN_NUM_F+1:NUM_F),:);

% 赋值
trainl=zeros(1,TRAIN_NUM_M+TRAIN_NUM_F);
trainl(1:TRAIN_NUM_M)=1;

testl=zeros(1,NUM_M+NUM_F-TRAIN_NUM_M-TRAIN_NUM_F);
testl(1:NUM_M-TRAIN_NUM_M)=1;

main_newff.m  

% 脚本 使用newff函数实现性别识别
% main_newff.m

%% 清理
clear,clc
rng('default')
rng(2)

%% 读入数据
xlsfile='student.xls';
[data,label]=getdata(xlsfile);

%% 划分数据
[traind,trainl,testd,testl]=divide(data,label);

%% 创建网络
net=feedforwardnet(3);  %指定隐含层为1层，节点数为3
net.trainFcn='trainbfg';  %采用拟牛顿法对应的训练函数trainbfg进行训练

%% 训练网络
net=train(net,traind',trainl);

%% 测试
test_out=sim(net,testd');
test_out(test_out>=0.5)=1;
test_out(test_out<0.5)=0;
rate=sum(test_out==testl)/length(testl);
fprintf('  正确率
   %f %%
', rate*100);