复数值前向神经网络的训练算法设计与实现.docx

摘要:神经网络是一种模拟人脑的生理结构和功能设计出来的一种网络结构，其中的前向神经网络结构是目前最常用的一种神经网络，能够处理一些非线性问题，也有着一定的自学习自适应能力以及泛化能力。

本论文主要研究复数值前向神经网络的训练算法设计与实现。BP算法通过将误差沿输出到输入进行反方向传播，通过梯度下降法不断调整优化权值，从而使整个网络的总误差达到最小。本论文主要根据BP算法的基本思想进行推导，分别用sigmoid函数和tansig函数两种激励函数进行算法编写，对数据集进行训练，观察结果，比较性能。通过对多组数据集进行分析，得出激励函数的选择与训练集特征值数量有关，每一个特征值表示该样本的某一个特性，训练集特征值较多时使用tansig函数。

关键字：神经网络,BP算法,激励函数

目录

中文摘要

Abstract

第一章 绪论-3

1.1课题研究背景-4

1.2研究现状-5

1.3论文设计内容-5

1.4论文组织结构-6

第二章 人工神经网络的基础-7

2.1 神经网络定义-7

2.2神经网络的分类-7

2.3神经网络的应用-8

2.4人工神经网络的特点-8

第三章 复数值前向神经网络-10

3.1复数值神经元的基本模型-10

3.2 S型函数-10

3.3 复数值前向神经网络结构-11

3.4 BP算法的基本思想-12

3.5 复数值BP算法的具体推导-13

第四章 复数值BP算法的设计与实现-15

4.1算法设计过程-15

4.2数据集分析-15

4.3实验总结-18

第五章 总结与展望-20

致谢-21

参考文献-22