LabVIEW中BP神經網絡的實現及應用
隱層輸人H(見圖6)。
(2)BP神經網絡隱層輸出H的圖形化程序。根據算法中的式(2)編寫,由于在很多測試實踐中參數間的關系是非線性的,這里主要應用Sigmoid型tansig函數作為隱層的傳遞函數,主要應用程序面板中函數一數學一數值及基本與特殊函數等數學控件實現(見圖7)。
(3)BP神經網絡輸出層的輸入及輸出程序框圖與隱層的類似,分別根據式(3)、式(4)編程即可實現,在此不再重復。
(4)網絡誤差函數E的圖形化程序。根據算法中式(5)編寫程序,其中:t為理想輸出,y為網絡輸出。其中應用函數一數學一基本與特殊函數中的指數函數控件來實現(見圖8)。本文引用地址:http://m.butianyuan.cn/article/188831.htm
(5)BP神經網絡各參數調整量的圖形化程序根據上述學習算法中的式(6)和式(7),其中:x為網絡輸入樣本;y,£分別為網絡實際輸出和期望輸出;h為隱層輸出;v為隱層輸出權值。通過調用LabVIEw軟件中數學計算控件,經過一系列數學計算,分別得到網絡隱層輸出權值調整量△v以及隱層輸入權值調整量△w,如圖9、圖10所示。
(6)完整的學習算法的圖形化程序。將以上各個程序模塊綜合在一起,可以得到完整的學習算法實現程序,如圖11所示。
通過設定網絡的輸入樣本z、輸出期望t、隱層輸入權值w,輸出v的初始值,經過一系列的矩陣運算,獲得調整后隱層權值w,v參數值。運行結果如圖12所示,由圖可以非常直觀看出,網絡輸出與網絡理想輸出相當接近,說明網絡訓練的結果是滿意的。
3 結 語
在利用LabVIEw實現BP神經網絡的計算,方法一通過直接調用Matlab程序,簡單易行,只是事先需要裝有Matlab5.O以上的版本。方法二運用圖形化編程對BP神經網絡進行仿真,具有形象、直觀、便于使用和理解的優(yōu)于傳統(tǒng)文本編程語言的特點。
評論