意的非线性映射。输入层和输出层神经元个数为，只有个隐含层，其个数根据上述的设计经验公式和本例的实际情况，选取之间。下面的隐含层神经元个数可变的神经网络，通过误差和训练步数对比确定隐含层个数，并检验隐含层神经元个数对网络性能的影响。下面是相关程序段选取输入变量取值范围输入目标函数隐含层的神经元数目范围欧氏距离选取不同的隐含层神经元个数，进行网络测试建立前向型神经网络，输入层和隐含层激励函数为，输出层为训练函数为，也是默认函数训练步数最大为设定目标误差为进行函数训练对训练后的神经网络进行仿真求欧式距离，判定隐含层神经元个数及网络性能黑龙江八农垦大学毕业设计论文用该同程序在三个不同时刻，运行结果及分析如下表隐含层不同神经元个数网络训练误差及学习步长时刻神经元个数网络误差学习步长时刻二神经元个数网络误差学习步长时刻三神经元个数网络误差学习步长由此可见，选择隐含层神经元数目为是最佳选择，不仅误差小学习步长短，而且性能稳定。也可以看出并非隐含层神经元的数目越多，网络的性能就越好。各种学习算法仿真根据上面节对神经网络的设计，可以得出下面的通用的程序段，由于各种学习算法采用了不同的学习函数，所以只需要更改学习函数即可。程序段如下函数可以选择替换黑龙江八农垦大学毕业设计论文暂停，按任意键继续绘图，原图蓝色光滑线和仿真效果图红色号点线,注意由于各种不确定因素，可能对网络训练有不同程度的影响，产生不同的效果。标准算法图增加动量法图弹性算法黑龙江八农垦大学毕业设计论文图动量及自适应学习速率法图共轭梯度法黑龙江八农垦大学毕业设计论文图算法图图各种算法仿真误差曲线左和仿真效果右图各种算法仿真结果比较与分析由上面的仿真结果可以得到下表的比较和下面的结论与分析表各种学习算法仿真结果比较算法训练函数训练次数均方误差标准算法增加动量法弹性算法动量及自适应学习速率法共轭梯度法法结论与分析从仿真结果可以看出，标准算法增加动量发弹性算法动量及自适应学习速率法的收敛速度都不如共轭梯度法和法黑龙江八农垦大学毕业设计论文算法收敛速度明显的快。从仿真结果和均方误差综合来看，只有算法达到了目标误差，可见对高要求的误差来说，算法的优势要明显的多，其余均未达到目标误差从均方误差的效果来看，所仿真的算法的优劣从优到劣顺序依次为算法共轭梯度法弹性算法动量及自适应学习速率法增加动量法标准算法。从仿真效果图可以看出，算法的效果最好，其次是共轭梯度法，其余均有不同范围内的失真。从误差曲线来看，算法达到了目标误差较高的误差，标准算法的误差曲线较粗，是因为较小范围振荡产生锯齿，在图形中由于间距加大，图形不断重叠而成，收敛速度很慢增加动量法弹性算法动量及自适应学习速率法的误差曲线较为平滑，在刚开始收敛较快，在训练步数增加的时候，曲线趋于水平，收敛速度比较慢共轭梯度法和算法的误差曲线变化较大且产生局部锯齿状，说明不是最优，仍需要进行优化，其中算法达到了目标误差。共轭梯度法在相邻迭代的正交方向搜索，综合误差曲线可知当接近极值时会产生锯齿形振荡。再根据前面对各种改进算法的描述可知，弹性算结论本文首先总结了神经网络的研究目的和意义，介绍了神经网络的研究背景和现状，分析了目前神经网络研究中存在的问题，然后描述了神经网络算法的实现以及神经网络的工作原理，给出了网络的局限性。在以神经网络为基础的前提下，分析研究了神经网络在函数逼近和样本含量估计两个实例中的应用。以及分析了结论，即信号的频率越高，则隐层节点越多，隐单元个数越多，逼近能力越强。和隐层数目越多，测试得到的样本的水平越接近于期望值。本文虽然总结分析了神经网络算法的实现，给出了实例分析，但是还有很多的不足。所总结的神经网络和目前研究的现状都还不够全面，经过程序调试的图形有可能都还存在很多细节上的问题，而图形曲线所实现效果都还不够好，以及结果分析不够全面，正确，缺乏科学性等，这些都还是需加强提高的，本文的完成不代表就对这门学科研究的结束，还有很多知识，理论，研究成果需要不断学习。近几年的不断发展，神经网络更是取得了非常广泛的应用，和令人瞩目的发展，在很多方面都发挥了其独特的作用，特别是在人工智能自动控制计算机科学信息处理机器人模式识别等众多方面的应用实例，给人们带来了很多应用上到思考，和解决方法的研究。但是神经网络的研究最近几年还没有达到非常热门的阶段，这还需有很多热爱神经网络和研究神经网络人员的不断研究和创新，在科技高度发达的现在，我们有理由期待，也有理由相信。我想在不久的将来神经网络会应用到更多更广的方面，人们的生活会更加便捷。参考文献参考文献郑君里,杨行峻人工神经网络北京高等教育出版社,郝中华神经网络的非线性思想洛阳师范学院学报巨军让，卓戎神经网络在中的方便实现新疆石油学院学报蒋宗礼人工神经网络导论高等教育出版社，闻新周露王丹力熊晓英神经网络应用设计科学出版社，葛哲学孙志强编著神经网络与实现北京电子工业出版社，董长虹编著神经网络与应用北京国防工业出版社，胡守仁，等神经网络导论长沙国防科技大学出版社，张玲，张钹人工神经网络理及应用浙江浙江科技大学出版社，,,,,，,,楼顺天，等基于的系统分析与设计神经网络西安西安电子科技大学出版社，周开利，康耀红编著神经网络模型及其仿真程序设计魏海坤神经网络结构设计的理论与方法国防工业出版社，李学桥神经网络工程应用重庆重庆大学出版社，冯蓉,杨建华基于神经网络的函数逼近的实现榆林学院学报李晓慧基于的神经网络的应用科技信息参考文献徐远芳,周旸,郑华基于的神经网络实现研究微型电脑应用石云神经网络的实现湘南学院学报致谢致谢经过几个月的努力，查找资料深入分析，此次毕业论文终于圆满完成。虽然自己查阅了大量资料还进行了深入分析，做了许多相关的工作，但没有导师的悉心指导和其他老师同学的大力帮助，我也是无法完成此次毕业设计的，特在此向在我完成此次毕业论文过程中给了我许多鼓励和帮助的老师同学并致谢。首先，感谢我的导师从下达任务书，资料查阅文章结构的安排文字表述等各个环节和各个方面都给了我悉心的指导。虽然她平时的工作也很繁忙，但她还是挤出许多时间，给了我许多指导和启发。她渊博的知识，前沿的理论研究，严谨的治学精神以及诲人不倦的高尚品德都让我无比钦佩和无比感激，我也会以她为榜样在今后的工作和学习中继续努力。在大学学习生活期间，得到了学院诸多老师同学的教导和帮助，在此并致谢,最后，向评审我的论文的老师们表示深深的敬意,并向答辩委员会的全体老师表示衷心的感谢,黑龙江八农垦大学毕业论文设计成绩单院系信息技术学院专业计算机科学与技术入学时间学号学生姓名班级周数起止日期指导教师职称论文设计题目指导教师评语指导教师签名年月日评阅人评语评阅人签名年月日答辩小组评语答辩小组负责人签名年月日评分指导教师评阅人答辩小组平均分五级制等级备注本成绩单式二份，份装订在毕业论文设计中，份入学生学籍档案。法不需要进行搜索，需要内存比较小，因此在些大型网络中比较适用，但是需要很长的训练时间。对收敛速度要求不高时也可使用动量及自适应学习速率法。在小型网络中，共轭梯度法仅次于算法，但是算法需要更大的内存做临时存储，对于较大复杂的网络和内存受限的设备来说不是很好的选择，但是对于小型网络来说却是首要选择。对训练时间允许的条件下，共轭梯度法和弹性算法是对复杂大型网络较好的选择。其中共轭梯度法在训练的时候，训练次数为次，均方误差为，均未达到所设定的要求，产生了,的结果。可能意味着子区间的长度与计算机舍入误差相当，无法继续计算了，原因可能是有奇点无限小且不实际存在，另外也存在是初值问题，理论上得知共轭梯度法最大局限是依赖于初值，在有限的迭代次数内可能既不能搜索到全局极值也不能搜索到局部极值。因此该算法适用于精度要求比较低的高维网络之中。调整初始权值和阈值的仿真在分析了初始权值设置影响因素对神经网络的影响，下面首先通过程序段，通过随机设置权值初始化网络方式获取训练好的阈值和权值，作为程序段二的初始化值。由此进行仿真分析。程序段黑龙江八农垦大学毕业设计论文初始化网络，用创建网络，其权值和阈值初始化函数的默认值是。据规则初始化算法对网络层的权值和阈值进行初始化，该算法的初始化值，可以使网络层中每个神经元的作用范围近似地在网络层的输入空间均匀分布。与纯随机初始化权值和阈值的方法比较，初始化算法有以下优点神经元的浪费少因为所有神经元都分布在输入空间内网络的训练速度快因为输入空间的每个区域都有神经元这里是用重新设置权值和阈值。,,,,查看初始化后的权值和阈值,,得出训练好的权值和阈值供程序段二使用,,,程序段二黑龙江八农垦大学毕业设计论文从程序段得出的数据,,,图两程序段运行后误差曲线图从上面的仿真结果看，第个程序用随机的初始权值和阈值达到目标误差完成训练需要个回合，而选用已训练好的权值和阈值仅用个回合就完成了训练，因此选择合适的初始化权值和阈值将加速网络的训练，大大提高了学习的收敛速度。因此关于设置网络初始权值和阈值的优化方法是个值得研黑龙江八农垦大学毕业设计论文究的问题。其他影响因素仿真在算法选择上，在下面的仿真中将使用算法测试其他影响因素，比如通过选择不同