神經(jīng)網(wǎng)絡(luò)編程入門

復(fù)雜網(wǎng)絡(luò)621 2013-10-01

展開全文

　　本文主要內(nèi)容包括： (1) 介紹神經(jīng)網(wǎng)絡(luò)基本原理，(2) AForge.NET實現(xiàn)前向神經(jīng)網(wǎng)絡(luò)的方法，(3) Matlab實現(xiàn)前向神經(jīng)網(wǎng)絡(luò)的方法。

第0節(jié)、引例

本文以Fisher的Iris數(shù)據(jù)集作為神經(jīng)網(wǎng)絡(luò)程序的測試數(shù)據(jù)集。Iris數(shù)據(jù)集可以在http://en./wiki/Iris_flower_data_set 找到。這里簡要介紹一下Iris數(shù)據(jù)集：

有一批Iris花，已知這批Iris花可分為3個品種，現(xiàn)需要對其進行分類。不同品種的Iris花的花萼長度、花萼寬度、花瓣長度、花瓣寬度會有差異。我們現(xiàn)有一批已知品種的Iris花的花萼長度、花萼寬度、花瓣長度、花瓣寬度的數(shù)據(jù)。

　　一種解決方法是用已有的數(shù)據(jù)訓練一個神經(jīng)網(wǎng)絡(luò)用作分類器。

　　如果你只想用C#或Matlab快速實現(xiàn)神經(jīng)網(wǎng)絡(luò)來解決你手頭上的問題，或者已經(jīng)了解神經(jīng)網(wǎng)絡(luò)基本原理，請直接跳到第二節(jié)——神經(jīng)網(wǎng)絡(luò)實現(xiàn)。

第一節(jié)、神經(jīng)網(wǎng)絡(luò)基本原理

1. 人工神經(jīng)元( Artificial Neuron )模型

人工神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的基本元素，其原理可以用下圖表示：

圖1. 人工神經(jīng)元模型

圖中x1~xn是從其他神經(jīng)元傳來的輸入信號，wij表示表示從神經(jīng)元j到神經(jīng)元i的連接權(quán)值，θ表示一個閾值 ( threshold )，或稱為偏置( bias )。則神經(jīng)元i的輸出與輸入的關(guān)系表示為：

　　圖中 yi表示神經(jīng)元i的輸出，函數(shù)f稱為激活函數(shù) ( Activation Function )或轉(zhuǎn)移函數(shù) ( Transfer Function ) ，net稱為凈激活(net activation)。若將閾值看成是神經(jīng)元i的一個輸入x0的權(quán)重wi0，則上面的式子可以簡化為：

　　若用X表示輸入向量，用W表示權(quán)重向量，即：

X = [ x0 , x1 , x2 , ....... , xn ]

　　則神經(jīng)元的輸出可以表示為向量相乘的形式：

若神經(jīng)元的凈激活net為正，稱該神經(jīng)元處于激活狀態(tài)或興奮狀態(tài)(fire)，若凈激活net為負，則稱神經(jīng)元處于抑制狀態(tài)。

圖1中的這種“閾值加權(quán)和”的神經(jīng)元模型稱為M-P模型 ( McCulloch-Pitts Model )，也稱為神經(jīng)網(wǎng)絡(luò)的一個處理單元( PE, Processing Element )。

2. 常用激活函數(shù)

激活函數(shù)的選擇是構(gòu)建神經(jīng)網(wǎng)絡(luò)過程中的重要環(huán)節(jié)，下面簡要介紹常用的激活函數(shù)。

(1) 線性函數(shù) ( Liner Function )

(2) 斜面函數(shù) ( Ramp Function )

(3) 閾值函數(shù) ( Threshold Function )

以上3個激活函數(shù)都屬于線性函數(shù)，下面介紹兩個常用的非線性激活函數(shù)。

(4) S形函數(shù) ( Sigmoid Function )

　　該函數(shù)的導(dǎo)函數(shù)：

(5) 雙極S形函數(shù)

　　該函數(shù)的導(dǎo)函數(shù)：

　　S形函數(shù)與雙極S形函數(shù)的圖像如下：

圖3. S形函數(shù)與雙極S形函數(shù)圖像

　　雙極S形函數(shù)與S形函數(shù)主要區(qū)別在于函數(shù)的值域，雙極S形函數(shù)值域是(-1,1)，而S形函數(shù)值域是(0,1)。

　　由于S形函數(shù)與雙極S形函數(shù)都是可導(dǎo)的(導(dǎo)函數(shù)是連續(xù)函數(shù))，因此適合用在BP神經(jīng)網(wǎng)絡(luò)中。（BP算法要求激活函數(shù)可導(dǎo)）

3. 神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)是由大量的神經(jīng)元互聯(lián)而構(gòu)成的網(wǎng)絡(luò)。根據(jù)網(wǎng)絡(luò)中神經(jīng)元的互聯(lián)方式，常見網(wǎng)絡(luò)結(jié)構(gòu)主要可以分為下面３類：

(1) 前饋神經(jīng)網(wǎng)絡(luò)　(　Feedforward Neural Networks )

前饋網(wǎng)絡(luò)也稱前向網(wǎng)絡(luò)。這種網(wǎng)絡(luò)只在訓練過程會有反饋信號，而在分類過程中數(shù)據(jù)只能向前傳送，直到到達輸出層，層間沒有向后的反饋信號，因此被稱為前饋網(wǎng)絡(luò)。感知機( perceptron)與BP神經(jīng)網(wǎng)絡(luò)就屬于前饋網(wǎng)絡(luò)。

圖4 中是一個3層的前饋神經(jīng)網(wǎng)絡(luò)，其中第一層是輸入單元，第二層稱為隱含層，第三層稱為輸出層（輸入單元不是神經(jīng)元，因此圖中有2層神經(jīng)元）。

圖4. 前饋神經(jīng)網(wǎng)絡(luò)

　　對于一個3層的前饋神經(jīng)網(wǎng)絡(luò)N，若用X表示網(wǎng)絡(luò)的輸入向量，W1~W3表示網(wǎng)絡(luò)各層的連接權(quán)向量，F(xiàn)1~F3表示神經(jīng)網(wǎng)絡(luò)3層的激活函數(shù)。

　　那么神經(jīng)網(wǎng)絡(luò)的第一層神經(jīng)元的輸出為：

O1 = F1( XW1 )

　　第二層的輸出為：

O2 = F2 ( F1( XW1 ) W2 )

　　輸出層的輸出為：

O3 = F3( F2 ( F1( XW1 ) W2 ) W3 )

若激活函數(shù)F1~F3都選用線性函數(shù)，那么神經(jīng)網(wǎng)絡(luò)的輸出O3將是輸入X的線性函數(shù)。因此，若要做高次函數(shù)的逼近就應(yīng)該選用適當?shù)姆蔷€性函數(shù)作為激活函數(shù)。

(2) 反饋神經(jīng)網(wǎng)絡(luò)　(　Feedback Neural Networks )

反饋型神經(jīng)網(wǎng)絡(luò)是一種從輸出到輸入具有反饋連接的神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)比前饋網(wǎng)絡(luò)要復(fù)雜得多。典型的反饋型神經(jīng)網(wǎng)絡(luò)有：Elman網(wǎng)絡(luò)和Hopfield網(wǎng)絡(luò)。

圖5. 反饋神經(jīng)網(wǎng)絡(luò)

(3) 自組織網(wǎng)絡(luò) ( SOM ,Self-Organizing Neural Networks )

自組織神經(jīng)網(wǎng)絡(luò)是一種無導(dǎo)師學習網(wǎng)絡(luò)。它通過自動尋找樣本中的內(nèi)在規(guī)律和本質(zhì)屬性，自組織、自適應(yīng)地改變網(wǎng)絡(luò)參數(shù)與結(jié)構(gòu)。

圖6. 自組織網(wǎng)絡(luò)

4. 神經(jīng)網(wǎng)絡(luò)工作方式

神經(jīng)網(wǎng)絡(luò)運作過程分為學習和工作兩種狀態(tài)。

(1)神經(jīng)網(wǎng)絡(luò)的學習狀態(tài)

網(wǎng)絡(luò)的學習主要是指使用學習算法來調(diào)整神經(jīng)元間的聯(lián)接權(quán)，使得網(wǎng)絡(luò)輸出更符合實際。學習算法分為有導(dǎo)師學習( Supervised Learning )與無導(dǎo)師學習( Unsupervised Learning )兩類。

有導(dǎo)師學習算法將一組訓練集 ( training set )送入網(wǎng)絡(luò)，根據(jù)網(wǎng)絡(luò)的實際輸出與期望輸出間的差別來調(diào)整連接權(quán)。有導(dǎo)師學習算法的主要步驟包括：

1）從樣本集合中取一個樣本（Ai，Bi）；

2）計算網(wǎng)絡(luò)的實際輸出O；

3）求D=Bi-O；

4）根據(jù)D調(diào)整權(quán)矩陣W；

5）對每個樣本重復(fù)上述過程，直到對整個樣本集來說，誤差不超過規(guī)定范圍。

　　BP算法就是一種出色的有導(dǎo)師學習算法。

無導(dǎo)師學習抽取樣本集合中蘊含的統(tǒng)計特性，并以神經(jīng)元之間的聯(lián)接權(quán)的形式存于網(wǎng)絡(luò)中。

Hebb學習律是一種經(jīng)典的無導(dǎo)師學習算法。

(2) 神經(jīng)網(wǎng)絡(luò)的工作狀態(tài)

神經(jīng)元間的連接權(quán)不變，神經(jīng)網(wǎng)絡(luò)作為分類器、預(yù)測器等使用。

　　下面簡要介紹一下Hebb學習率與Delta學習規(guī)則。

(3) 無導(dǎo)師學習算法：Hebb學習率

　　Hebb算法核心思想是，當兩個神經(jīng)元同時處于激發(fā)狀態(tài)時兩者間的連接權(quán)會被加強，否則被減弱。

為了理解Hebb算法，有必要簡單介紹一下條件反射實驗。巴甫洛夫的條件反射實驗：每次給狗喂食前都先響鈴，時間一長，狗就會將鈴聲和食物聯(lián)系起來。以后如果響鈴但是不給食物，狗也會流口水。

圖7. 巴甫洛夫的條件反射實驗

　　受該實驗的啟發(fā)，Hebb的理論認為在同一時間被激發(fā)的神經(jīng)元間的聯(lián)系會被強化。比如，鈴聲響時一個神經(jīng)元被激發(fā)，在同一時間食物的出現(xiàn)會激發(fā)附近的另一個神經(jīng)元，那么這兩個神經(jīng)元間的聯(lián)系就會強化，從而記住這兩個事物之間存在著聯(lián)系。相反，如果兩個神經(jīng)元總是不能同步激發(fā)，那么它們間的聯(lián)系將會越來越弱。

　　Hebb學習律可表示為：

其中wij表示神經(jīng)元j到神經(jīng)元i的連接權(quán)，yi與yj為兩個神經(jīng)元的輸出，a是表示學習速度的常數(shù)。若yi與yj同時被激活，即yi與yj同時為正，那么Wij將增大。若yi被激活，而yj處于抑制狀態(tài)，即yi為正yj為負，那么Wij將變小。

(4) 有導(dǎo)師學習算法：Delta學習規(guī)則

　　Delta學習規(guī)則是一種簡單的有導(dǎo)師學習算法，該算法根據(jù)神經(jīng)元的實際輸出與期望輸出差別來調(diào)整連接權(quán)，其數(shù)學表示如下：

其中Wij表示神經(jīng)元j到神經(jīng)元i的連接權(quán)，di是神經(jīng)元i的期望輸出，yi是神經(jīng)元i的實際輸出，xj表示神經(jīng)元j狀態(tài)，若神經(jīng)元j處于激活態(tài)則xj為1，若處于抑制狀態(tài)則xj為0或－1（根據(jù)激活函數(shù)而定）。a是表示學習速度的常數(shù)。假設(shè)xi為1，若di比yi大，那么Wij將增大，若di比yi小，那么Wij將變小。

Delta規(guī)則簡單講來就是：若神經(jīng)元實際輸出比期望輸出大，則減小所有輸入為正的連接的權(quán)重，增大所有輸入為負的連接的權(quán)重。反之，若神經(jīng)元實際輸出比期望輸出小，則增大所有輸入為正的連接的權(quán)重，減小所有輸入為負的連接的權(quán)重。這個增大或減小的幅度就根據(jù)上面的式子來計算。

(5)有導(dǎo)師學習算法：BP算法

　　采用BP學習算法的前饋型神經(jīng)網(wǎng)絡(luò)通常被稱為BP網(wǎng)絡(luò)。

圖8. 三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

　　BP網(wǎng)絡(luò)具有很強的非線性映射能力，一個3層BP神經(jīng)網(wǎng)絡(luò)能夠?qū)崿F(xiàn)對任意非線性函數(shù)進行逼近（根據(jù)Kolrnogorov定理）。一個典型的3層BP神經(jīng)網(wǎng)絡(luò)模型如圖7所示。

　　BP網(wǎng)絡(luò)的學習算法占篇幅較大，我打算在下一篇文章中介紹。

第二節(jié)、神經(jīng)網(wǎng)絡(luò)實現(xiàn)

1. 數(shù)據(jù)預(yù)處理

在訓練神經(jīng)網(wǎng)絡(luò)前一般需要對數(shù)據(jù)進行預(yù)處理，一種重要的預(yù)處理手段是歸一化處理。下面簡要介紹歸一化處理的原理與方法。

(1) 什么是歸一化？

數(shù)據(jù)歸一化，就是將數(shù)據(jù)映射到[0,1]或[-1,1]區(qū)間或更小的區(qū)間，比如(0.1,0.9) 。

(2) 為什么要歸一化處理？

<1>輸入數(shù)據(jù)的單位不一樣，有些數(shù)據(jù)的范圍可能特別大，導(dǎo)致的結(jié)果是神經(jīng)網(wǎng)絡(luò)收斂慢、訓練時間長。

<2>數(shù)據(jù)范圍大的輸入在模式分類中的作用可能會偏大，而數(shù)據(jù)范圍小的輸入作用就可能會偏小。

<3>由于神經(jīng)網(wǎng)絡(luò)輸出層的激活函數(shù)的值域是有限制的，因此需要將網(wǎng)絡(luò)訓練的目標數(shù)據(jù)映射到激活函數(shù)的值域。例如神經(jīng)網(wǎng)絡(luò)的輸出層若采用S形激活函數(shù)，由于S形函數(shù)的值域限制在(0,1)，也就是說神經(jīng)網(wǎng)絡(luò)的輸出只能限制在(0,1)，所以訓練數(shù)據(jù)的輸出就要歸一化到[0,1]區(qū)間。

<4>S形激活函數(shù)在(0,1)區(qū)間以外區(qū)域很平緩，區(qū)分度太小。例如S形函數(shù)f(X)在參數(shù)a=1時，f(100)與f(5)只相差0.0067。

(3) 歸一化算法

　　一種簡單而快速的歸一化算法是線性轉(zhuǎn)換算法。線性轉(zhuǎn)換算法常見有兩種形式：

<1>

y = ( x - min )/( max - min )

　　其中min為x的最小值，max為x的最大值，輸入向量為x，歸一化后的輸出向量為y 。上式將數(shù)據(jù)歸一化到 [ 0 , 1 ]區(qū)間，當激活函數(shù)采用S形函數(shù)時（值域為(0,1)）時這條式子適用。

<2>

y = 2 * ( x - min ) / ( max - min ) - 1

這條公式將數(shù)據(jù)歸一化到 [ -1 , 1 ] 區(qū)間。當激活函數(shù)采用雙極S形函數(shù)（值域為(-1,1)）時這條式子適用。

(4) Matlab數(shù)據(jù)歸一化處理函數(shù)

　　Matlab中歸一化處理數(shù)據(jù)可以采用premnmx ， postmnmx ， tramnmx 這3個函數(shù)。

<1> premnmx

語法：[pn,minp,maxp,tn,mint,maxt] = premnmx(p,t)

參數(shù)：

pn： p矩陣按行歸一化后的矩陣

minp，maxp：p矩陣每一行的最小值，最大值

tn：t矩陣按行歸一化后的矩陣

mint，maxt：t矩陣每一行的最小值，最大值

作用：將矩陣p，t歸一化到[-1,1] ，主要用于歸一化處理訓練數(shù)據(jù)集。

<2> tramnmx

語法：[pn] = tramnmx(p,minp,maxp)

參數(shù)：

minp，maxp：premnmx函數(shù)計算的矩陣的最小，最大值

pn：歸一化后的矩陣

作用：主要用于歸一化處理待分類的輸入數(shù)據(jù)。

<3> postmnmx

語法： [p,t] = postmnmx(pn,minp,maxp,tn,mint,maxt)

參數(shù)：

minp，maxp：premnmx函數(shù)計算的p矩陣每行的最小值，最大值

mint，maxt：premnmx函數(shù)計算的t矩陣每行的最小值，最大值

作用：將矩陣pn，tn映射回歸一化處理前的范圍。postmnmx函數(shù)主要用于將神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果映射回歸一化前的數(shù)據(jù)范圍。

2. 使用Matlab實現(xiàn)神經(jīng)網(wǎng)絡(luò)

使用Matlab建立前饋神經(jīng)網(wǎng)絡(luò)主要會使用到下面3個函數(shù)：

newff ：前饋網(wǎng)絡(luò)創(chuàng)建函數(shù)

train：訓練一個神經(jīng)網(wǎng)絡(luò)

sim ：使用網(wǎng)絡(luò)進行仿真

下面簡要介紹這3個函數(shù)的用法。

(1) newff函數(shù)

<1>newff函數(shù)語法

newff函數(shù)參數(shù)列表有很多的可選參數(shù)，具體可以參考Matlab的幫助文檔，這里介紹newff函數(shù)的一種簡單的形式。

語法：net = newff ( A, B, {C} ,‘trainFun’)

參數(shù)：

A：一個n?2的矩陣，第i行元素為輸入信號xi的最小值和最大值；

B：一個k維行向量，其元素為網(wǎng)絡(luò)中各層節(jié)點數(shù)；

C：一個k維字符串行向量，每一分量為對應(yīng)層神經(jīng)元的激活函數(shù)；

trainFun ：為學習規(guī)則采用的訓練算法。

<2>常用的激活函數(shù)

　　常用的激活函數(shù)有：

　　a) 線性函數(shù) (Linear transfer function)

f(x) = x

　　該函數(shù)的字符串為’purelin’。

b) 對數(shù)S形轉(zhuǎn)移函數(shù)( Logarithmic sigmoid transfer function )

該函數(shù)的字符串為’logsig’。

c) 雙曲正切S形函數(shù) (Hyperbolic tangent sigmoid transfer function )

　　也就是上面所提到的雙極S形函數(shù)。

　　該函數(shù)的字符串為’ tansig’。

　　Matlab的安裝目錄下的toolbox\nnet\nnet\nntransfer子目錄中有所有激活函數(shù)的定義說明。

<3>常見的訓練函數(shù)

常見的訓練函數(shù)有：

traingd ：梯度下降BP訓練函數(shù)(Gradient descent backpropagation)

traingdx ：梯度下降自適應(yīng)學習率訓練函數(shù)

<4>網(wǎng)絡(luò)配置參數(shù)

一些重要的網(wǎng)絡(luò)配置參數(shù)如下：

net.trainparam.goal ：神經(jīng)網(wǎng)絡(luò)訓練的目標誤差

net.trainparam.show ：顯示中間結(jié)果的周期

net.trainparam.epochs 　：最大迭代次數(shù)

net.trainParam.lr ：學習率

(2) train函數(shù)

網(wǎng)絡(luò)訓練學習函數(shù)。

語法：[ net, tr, Y1, E ] = train( net, X, Y )

參數(shù)：

X：網(wǎng)絡(luò)實際輸入

Y：網(wǎng)絡(luò)應(yīng)有輸出

tr：訓練跟蹤信息

Y1：網(wǎng)絡(luò)實際輸出

E：誤差矩陣

(3) sim函數(shù)

語法：Y=sim(net,X)

參數(shù)：

net：網(wǎng)絡(luò)

X：輸入給網(wǎng)絡(luò)的Ｋ?N矩陣，其中K為網(wǎng)絡(luò)輸入個數(shù)，N為數(shù)據(jù)樣本數(shù)

Y：輸出矩陣Q?N，其中Q為網(wǎng)絡(luò)輸出個數(shù)

(4) Matlab BP網(wǎng)絡(luò)實例

我將Iris數(shù)據(jù)集分為2組，每組各75個樣本，每組中每種花各有25個樣本。其中一組作為以上程序的訓練樣本，另外一組作為檢驗樣本。為了方便訓練，將3類花分別編號為1，2，3 。

　　使用這些數(shù)據(jù)訓練一個4輸入（分別對應(yīng)4個特征），3輸出（分別對應(yīng)該樣本屬于某一品種的可能性大?。┑那跋蚓W(wǎng)絡(luò)。

Matlab程序如下：

%讀取訓練數(shù)據(jù)
[f1,f2,f3,f4,class] = textread('trainData.txt' , '%f%f%f%f%f',150);

%特征值歸一化
[input,minI,maxI] = premnmx( [f1 , f2 , f3 , f4 ]')  ;

%構(gòu)造輸出矩陣
s = length( class) ;
output = zeros( s , 3  ) ;
for i = 1 : s 
   output( i , class( i )  ) = 1 ;
end

%創(chuàng)建神經(jīng)網(wǎng)絡(luò)
net = newff( minmax(input) , [10 3] , { 'logsig' 'purelin' } , 'traingdx' ) ; 

%設(shè)置訓練參數(shù)
net.trainparam.show = 50 ;
net.trainparam.epochs = 500 ;
net.trainparam.goal = 0.01 ;
net.trainParam.lr = 0.01 ;

%開始訓練
net = train( net, input , output' ) ;

%讀取測試數(shù)據(jù)
[t1 t2 t3 t4 c] = textread('testData.txt' , '%f%f%f%f%f',150);

%測試數(shù)據(jù)歸一化
testInput = tramnmx ( [t1,t2,t3,t4]' , minI, maxI ) ;

%仿真
Y = sim( net , testInput ) 

%統(tǒng)計識別正確率
[s1 , s2] = size( Y ) ;
hitNum = 0 ;
for i = 1 : s2
    [m , Index] = max( Y( : ,  i ) ) ;
    if( Index  == c(i)   ) 
        hitNum = hitNum + 1 ; 
    end
end
sprintf('識別率是 %3.3f%%',100 * hitNum / s2 )

　　以上程序的識別率穩(wěn)定在95%左右，訓練100次左右達到收斂，訓練曲線如下圖所示：

圖9. 訓練性能表現(xiàn)

(5)參數(shù)設(shè)置對神經(jīng)網(wǎng)絡(luò)性能的影響

我在實驗中通過調(diào)整隱含層節(jié)點數(shù)，選擇不通過的激活函數(shù)，設(shè)定不同的學習率，

<1>隱含層節(jié)點個數(shù)

　　隱含層節(jié)點的個數(shù)對于識別率的影響并不大，但是節(jié)點個數(shù)過多會增加運算量，使得訓練較慢。

<2>激活函數(shù)的選擇

激活函數(shù)無論對于識別率或收斂速度都有顯著的影響。在逼近高次曲線時，S形函數(shù)精度比線性函數(shù)要高得多，但計算量也要大得多。

<3>學習率的選擇

學習率影響著網(wǎng)絡(luò)收斂的速度，以及網(wǎng)絡(luò)能否收斂。學習率設(shè)置偏小可以保證網(wǎng)絡(luò)收斂，但是收斂較慢。相反，學習率設(shè)置偏大則有可能使網(wǎng)絡(luò)訓練不收斂，影響識別效果。

3. 使用AForge.NET實現(xiàn)神經(jīng)網(wǎng)絡(luò)

(1) AForge.NET簡介

AForge.NET是一個C#實現(xiàn)的面向人工智能、計算機視覺等領(lǐng)域的開源架構(gòu)。AForge.NET源代碼下的Neuro目錄包含一個神經(jīng)網(wǎng)絡(luò)的類庫。

AForge.NET主頁：http://www./

AForge.NET代碼下載：http://code.google.com/p/aforge/

Aforge.Neuro工程的類圖如下：

圖10. AForge.Neuro類庫類圖

下面介紹圖9中的幾個基本的類：

Neuron — 神經(jīng)元的抽象基類

Layer — 層的抽象基類，由多個神經(jīng)元組成

Network —神經(jīng)網(wǎng)絡(luò)的抽象基類，由多個層（Layer）組成

IActivationFunction - 激活函數(shù)（activation function）的接口

IUnsupervisedLearning - 無導(dǎo)師學習（unsupervised learning）算法的接口ISupervisedLearning - 有導(dǎo)師學習（supervised learning）算法的接口

(2)使用Aforge建立BP神經(jīng)網(wǎng)絡(luò)

使用AForge建立BP神經(jīng)網(wǎng)絡(luò)會用到下面的幾個類：

<1> SigmoidFunction ： S形神經(jīng)網(wǎng)絡(luò)

　　構(gòu)造函數(shù)：public SigmoidFunction( double alpha )

　　參數(shù)alpha決定S形函數(shù)的陡峭程度。

<2> ActivationNetwork?。荷窠?jīng)網(wǎng)絡(luò)類

　　構(gòu)造函數(shù)：

　　public ActivationNetwork( IActivationFunction function, int inputsCount, params int[] neuronsCount )

: base( inputsCount, neuronsCount.Length )

　　public virtual double[] Compute( double[] input )

參數(shù)意義：

inputsCount：輸入個數(shù)

neuronsCount　：表示各層神經(jīng)元個數(shù)

<3> BackPropagationLearning：BP學習算法

構(gòu)造函數(shù)：

public BackPropagationLearning( ActivationNetwork network )

參數(shù)意義：

network ：要訓練的神經(jīng)網(wǎng)絡(luò)對象

BackPropagationLearning類需要用戶設(shè)置的屬性有下面2個：

learningRate ：學習率

momentum ：沖量因子

下面給出一個用AForge構(gòu)建BP網(wǎng)絡(luò)的代碼。

// 創(chuàng)建一個多層神經(jīng)網(wǎng)絡(luò)，采用S形激活函數(shù)，各層分別有4,5,3個神經(jīng)元
//(其中4是輸入個數(shù)，3是輸出個數(shù)，5是中間層結(jié)點個數(shù))
ActivationNetwork network = new ActivationNetwork(
    new SigmoidFunction(2), 4, 5, 3);

// 創(chuàng)建訓練算法對象
BackPropagationLearning teacher = new
BackPropagationLearning(network);

// 設(shè)置BP算法的學習率與沖量系數(shù)
teacher.LearningRate = 0.1;
teacher.Momentum = 0;

int iteration = 1 ; 

// 迭代訓練500次
while( iteration < 500 ) 
{
         teacher.RunEpoch( trainInput , trainOutput ) ; 
         ++iteration ;
}

//使用訓練出來的神經(jīng)網(wǎng)絡(luò)來分類，t為輸入數(shù)據(jù)向量
network.Compute(t)[0]