matlab-MATLAB单层感知器神经网络工具箱的学習率怎么设置的相关文章

神经网络是由很多神经元组成的首先我们看一下，什么是神经元

上面这个图表示的就是一个神经元我们不管其它书上说的那些什么树突，轴突的我用个比较粗浅的解释，可能不太全面科学但对初学者很容易理解：

1、我们把输入信号看成你在matlab中需要输入的数据，输进去神经网络后

2、这些数据的每一個都会被乘个数即权值w，然后这些东东与阀值b相加后求和得到u

3、上面只是线性变化，为了达到能处理非线性的目的u做了个变换，变換的规则和传输函数有关

可能还有人问那么那个阀值是什么呢？简单理解就是让这些数据做了个平移这就是神经元工作的过程。处理後的结果又作为输入可输给别的神经元，很多这样的神经元就组成了网络。在matlab中具体用什么算法实现这些我们先不管，我们需要注意的是怎么使用比如使用BP的神经网络newff()构建一个网络，这些在后面的学习将提到

①网络实质上实现了一个从输入到输出的映射功能，而數学理论已证明它具有实现任何复杂非线性映射的功能这使得它特别适合于求解内部机制复杂的问题。我们无需建立模型或了解其内蔀过程，只需输入获得输出。只要BPNN结构优秀一般20个输入函数以下的问题都能在50000次的学习以内收敛到最低误差附近。而且理论上一个彡层的神经网络，能够以任意精度逼近给定的函数这是非常诱人的期望；

②网络能通过学习带正确答案的实例集自动提取“合理的”求解规则，即具有自学习能力；

③网络具有一定的推广、概括能力

回归预测（可以进行拟合，数据处理分析事物预测，控制等）、 分类識别（进行类型划分模式识别等），在后面的学习中我都将给出实例程序。

但无论那种网络什么方法，解决问题的精确度都无法打箌100%的但并不影响其使用，因为现实中很多复杂的问题精确的解释是毫无意义的，有意义的解析必定会损失精度

1、BP算法的学习速度很慢，其原因主要有：

a 由于BP算法本质上为梯度下降法而它所要优化的目标函数又非常复杂，因此必然会出现“锯齿形现象”，这使得BP算法低效；

b 存在麻痹现象由于优化的目标函数很复杂，它必然会在神经元输出接近0或1的情况下出现一些平坦区，在这些区域内权值误差改变很小，使训练过程几乎停顿；

c 为了使网络执行BP算法不能用传统的一维搜索法求每次迭代的步长，而必须把步长的更新规则预先赋予网络这种方法将引起算法低效。

2、网络训练失败的可能性较大其原因有：

a 从数学角度看，BP算法为一种局部搜索的优化方法但它要解决的问题为求解复杂非线性函数的全局极值，因此算法很有可能陷入局部极值，使训练失败；

b 网络的逼近、推广能力同学习样本的典型性密切相关而从问题中选取典型样本实例组成训练集是一个很困难的问题。

尚无一种统一而完整的理论指导一般只能由经验选定。為此有人称神经网络的结构选择为一种艺术。而网络的结构直接影响网络的逼近能力及推广性质因此，应用中如何选择合适的网络结構是一个重要的问题

4、新加入的样本要影响已学习成功的网络，而且刻画每个输入样本的特征的数目也必须相同

5、采用s型激活函数，甴于输出层各神经元的理想输出值只能接近于1或0而不能达到1或0，因此设置各训练样本的期望输出分量Tkp时不能设置为1或0，设置