BP神经网络的应用及Matlab实现开题报告

1. 研究目的与意义

人工神经网络（artifical neural networks,ann）的结构和工作机理是以人类大脑的组织结构的活动特点为背景，反映了人脑的某些基本特征，可以理解为是对人脑的某种抽象或简单模仿，并非真实再现。人工神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。人工神经网络就是模拟人思维的一种方式，是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。

在1943年至1960年的早期神经网络系统理论发展的时期，人们主要致力于多种网络的模型的产生与学习算法的确定的研究。后来人们发现感知器存在一些缺陷，比如它不能解决异或问题，因而研究工作趋向低潮。不过仍有不少学者继续对神经网络进行研究。再后来到了80年代，神经网络的研究慢慢有了起色，美国加州工学院的物理学家john hopfield。他于1982年和1984年在美国科学院院刊上发表了两篇文章，提出了模拟人脑的神经网络模型，即最著名的hopfield模型。hopfield网络是一个互连的非线性动力学网络，它解决问题的方法是一种反复运算的动态过程，这是符号逻辑处理方式做不具备的性质。20世纪80年代后期到90年代初，神经网络系统理论形成了发展的热点，多种模型、算法和应用被提出，研究经费重新变得充足，使得研究者们完成了很多有意义的工作

进入20世纪90年代以来，神经网络由于应用面还不够宽阔，存在可信度问题，使神经网络进入了认识与应用研究期。后来人们开发现有模型的应用，并在应用中根据实际运行情况对模型、算法加以改造，以提高网络的训练速度和运行的准确度。紧接着人们希望在理论上寻找新的突破，建立新的专用/通用模型和算法。同时加强对生物神经系统进行研究，不断地丰富人类的认知。

2. 研究内容与预期目标

研究内容:研究并分析bp神经网络在非线性函数逼近中的应用即分析非线性函数的 y=(2 x1^1.5-1.5*cos(3*x2))^2逼近，利用不同的训练函数研究非线性函数逼近的情况，得到最佳的训练函数，隐层节点个数与函数逼近能力之间的关系；比较网络的泛化能力，分析各因素对其影响；基于bp神经网络在matlab中设计，通过改变神经网络节点个数、以及学习算法来进行分析神经网络的逼近情况。

预期目标：

3. 研究方法与步骤

本课题主要采用newff()函数建立bp网络结构，采用levenberg – marquardt算法trainlm来分别调用tansig函数和purelin函数来作为隐层和输出层神经元传递函数，利用train（）函数对网络进行训练，并通过sim函数仿真训练前后的bp神经网络对非线性函数的逼近效果情况。步骤：

1.按照bp算法一般步骤进行：1.初始化网络权值、阈值及相关参数；2.输入样本，指定输出层各神经元的希望输出值；3.依次计算每层神经元的实际输出，直到输出层。4.从输出层开始修正每个权值，直到第一隐层；5.转到第二步，循环至权值稳定为止。

2.选择适当的训练样本和检验样本，写出选取方法，绘制学习之前、第100次学习和学习结束后各期望输出曲线、实际输出曲线；

4. 参考文献

[1]汤素丽,罗宇锋.人工神经网络技术的发展与应用, 电脑开发与应用, 2009

[2]郝中华.bp神经网络的非线性思想, 洛阳师范学院学报, 2008

[3]巨军让,卓戎.bp神经网络在matlab中的方便实现, 新疆石油学院学报, 2008

5. 工作计划

阶段规划：

1. 2月20日至3月20日 资料收集、整理,撰写开题报告；

2. 3月20日至3月31日外文翻译；