《BP神經(jīng)網(wǎng)絡(luò)模型》ppt課件

1、2.4 BP2.4 BP神經(jīng)網(wǎng)絡(luò)模型與學(xué)習(xí)算法神經(jīng)網(wǎng)絡(luò)模型與學(xué)習(xí)算法概述概述pRumelhartRumelhart，McClellandMcClelland于于19851985年提出了年提出了BPBP網(wǎng)絡(luò)的誤差反網(wǎng)絡(luò)的誤差反向后傳向后傳BP(Back Propagation)BP(Back Propagation)學(xué)習(xí)算法學(xué)習(xí)算法pBPBP算法根本原理算法根本原理p利用輸出后的誤差來(lái)估計(jì)輸出層的直接前導(dǎo)層的誤差，再利用輸出后的誤差來(lái)估計(jì)輸出層的直接前導(dǎo)層的誤差，再用這個(gè)誤差估計(jì)更前一層的誤差，如此一層一層的反傳下用這個(gè)誤差估計(jì)更前一層的誤差，如此一層一層的反傳下去，就獲得了一切其他各層的誤差估

2、計(jì)。去，就獲得了一切其他各層的誤差估計(jì)。 J. McClelland David Rumelhart 2.4.1 BP2.4.1 BP神經(jīng)網(wǎng)絡(luò)模型神經(jīng)網(wǎng)絡(luò)模型p三層BP網(wǎng)絡(luò)1x2x1Nx1y2y2Ny1z2z3Nz123N1T2Tihwhjw- - -隱含層輸出層輸入層3NT2.4.1 BP2.4.1 BP神經(jīng)網(wǎng)絡(luò)模型神經(jīng)網(wǎng)絡(luò)模型p激活函數(shù)激活函數(shù)p必需處處可導(dǎo)必需處處可導(dǎo)p普通都運(yùn)用普通都運(yùn)用S S型函數(shù)型函數(shù) p運(yùn)用運(yùn)用S S型激活函數(shù)時(shí)型激活函數(shù)時(shí)BPBP網(wǎng)絡(luò)輸入與輸出關(guān)網(wǎng)絡(luò)輸入與輸出關(guān)系系p輸入輸入p輸出輸出1122.nnnetx wx wx w1f()1enetynet2.4.1 B

3、P2.4.1 BP神經(jīng)網(wǎng)絡(luò)模型神經(jīng)網(wǎng)絡(luò)模型輸出的導(dǎo)數(shù)211f ()(1)1e(1e)-netnetnetyy根據(jù)根據(jù)S S型激活函數(shù)的圖形可知型激活函數(shù)的圖形可知, ,對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)展訓(xùn)練，應(yīng)該將對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)展訓(xùn)練，應(yīng)該將netnet的值盡的值盡量控制在收斂比較快的范圍內(nèi)量控制在收斂比較快的范圍內(nèi) 2.4.2 BP2.4.2 BP網(wǎng)絡(luò)的規(guī)范學(xué)習(xí)算法網(wǎng)絡(luò)的規(guī)范學(xué)習(xí)算法p學(xué)習(xí)的過(guò)程：p神經(jīng)網(wǎng)絡(luò)在外界輸入樣本的刺激下不斷改動(dòng)網(wǎng)絡(luò)的銜接權(quán)值,以使網(wǎng)絡(luò)的輸出不斷地接近期望的輸出。p學(xué)習(xí)的本質(zhì)：p對(duì)各銜接權(quán)值的動(dòng)態(tài)調(diào)整p學(xué)習(xí)規(guī)那么：p權(quán)值調(diào)整規(guī)那么，即在學(xué)習(xí)過(guò)程中網(wǎng)絡(luò)中各神經(jīng)元的銜接權(quán)變化所根據(jù)的一定的調(diào)整

4、規(guī)那么。2.4.2 BP2.4.2 BP網(wǎng)絡(luò)的規(guī)范學(xué)習(xí)算法網(wǎng)絡(luò)的規(guī)范學(xué)習(xí)算法- -算法思想算法思想p學(xué)習(xí)的類型：有導(dǎo)師學(xué)習(xí)學(xué)習(xí)的類型：有導(dǎo)師學(xué)習(xí)p中心思想：中心思想：p將輸出誤差以某種方式經(jīng)過(guò)隱層向輸入層逐層反將輸出誤差以某種方式經(jīng)過(guò)隱層向輸入層逐層反傳傳p學(xué)習(xí)的過(guò)程：學(xué)習(xí)的過(guò)程：p信號(hào)的正向傳播信號(hào)的正向傳播 誤差的反向傳播誤差的反向傳播將誤差分?jǐn)偨o各層的一切將誤差分?jǐn)偨o各層的一切單元各層單元的誤單元各層單元的誤差信號(hào)差信號(hào)修正各單元權(quán)修正各單元權(quán)值值2.4.2 BP2.4.2 BP網(wǎng)絡(luò)的規(guī)范學(xué)習(xí)算法網(wǎng)絡(luò)的規(guī)范學(xué)習(xí)算法- -學(xué)習(xí)過(guò)程學(xué)習(xí)過(guò)程p正向傳播：正向傳播：p輸入樣本輸入層各隱層輸出輸入

5、樣本輸入層各隱層輸出層層p判別能否轉(zhuǎn)入反向傳播階段：判別能否轉(zhuǎn)入反向傳播階段：p假設(shè)輸出層的實(shí)踐輸出與期望的輸出教師信號(hào)假設(shè)輸出層的實(shí)踐輸出與期望的輸出教師信號(hào)不符不符p誤差反傳誤差反傳p誤差以某種方式在各層表示修正各層單誤差以某種方式在各層表示修正各層單元的權(quán)值元的權(quán)值p網(wǎng)絡(luò)輸出的誤差減少到可接受的程度網(wǎng)絡(luò)輸出的誤差減少到可接受的程度p進(jìn)展到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止進(jìn)展到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止2.4.2 BP2.4.2 BP網(wǎng)絡(luò)的規(guī)范學(xué)習(xí)算法網(wǎng)絡(luò)的規(guī)范學(xué)習(xí)算法 p網(wǎng)絡(luò)構(gòu)造網(wǎng)絡(luò)構(gòu)造p輸入層有輸入層有n n個(gè)神經(jīng)元，隱含層有個(gè)神經(jīng)元，隱含層有p p個(gè)神經(jīng)元個(gè)神經(jīng)元, ,p 輸出層有輸出層有q q個(gè)

6、神經(jīng)元個(gè)神經(jīng)元p變量定義變量定義p輸入向量輸入向量; ;p隱含層輸入向量；隱含層輸入向量；p隱含層輸出向量隱含層輸出向量; ;p輸出層輸入向量輸出層輸入向量; ;p輸出層輸出向量輸出層輸出向量; ;p期望輸出向量期望輸出向量; ; 12,nxxxx12,phihihihi12,pho hohoho12,qyiyiyiyi12,qyoyoyoyo12,qdddod2.4.2 BP2.4.2 BP網(wǎng)絡(luò)的規(guī)范學(xué)習(xí)算法網(wǎng)絡(luò)的規(guī)范學(xué)習(xí)算法輸入層與中間層的銜接權(quán)值:隱含層與輸出層的銜接權(quán)值:隱含層各神經(jīng)元的閾值:輸出層各神經(jīng)元的閾值:樣本數(shù)據(jù)個(gè)數(shù):激活函數(shù): 誤差函數(shù)：ihwf( ) howhb1,2,k

7、mob211( )( )2qoooedkyo k2.4.2 BP2.4.2 BP網(wǎng)絡(luò)的規(guī)范學(xué)習(xí)算法網(wǎng)絡(luò)的規(guī)范學(xué)習(xí)算法p第一步，網(wǎng)絡(luò)初始化第一步，網(wǎng)絡(luò)初始化 p給各銜接權(quán)值分別賦一個(gè)區(qū)間給各銜接權(quán)值分別賦一個(gè)區(qū)間-1-1，1 1內(nèi)的隨機(jī)數(shù)，設(shè)定誤差函數(shù)內(nèi)的隨機(jī)數(shù)，設(shè)定誤差函數(shù)e e，給定計(jì)算，給定計(jì)算精度值精度值 和最大學(xué)習(xí)次數(shù)和最大學(xué)習(xí)次數(shù)M M。p第二步第二步, ,隨機(jī)選取第隨機(jī)選取第 個(gè)輸入樣本及對(duì)應(yīng)個(gè)輸入樣本及對(duì)應(yīng)期望輸出期望輸出 k12( )( ),( ),( )nkx kx kx kx12( )( ),( ),( )qkd kdkdkod2.4.2 BP2.4.2 BP網(wǎng)絡(luò)的規(guī)范學(xué)習(xí)

8、算法網(wǎng)絡(luò)的規(guī)范學(xué)習(xí)算法p第三步，計(jì)算隱含層各神經(jīng)元的輸入和第三步，計(jì)算隱含層各神經(jīng)元的輸入和輸出輸出1( )( )1,2,nhihihihikw x kbhp( )f( )1,2,hhho khi khp1( )( )1,2,pohohohyi kw ho kboq( )f( )1,2,ooyo kyi koq2.4.2 BP2.4.2 BP網(wǎng)絡(luò)的規(guī)范學(xué)習(xí)算法網(wǎng)絡(luò)的規(guī)范學(xué)習(xí)算法p第四步，利用網(wǎng)絡(luò)期望輸出和實(shí)踐輸出，第四步，利用網(wǎng)絡(luò)期望輸出和實(shí)踐輸出，計(jì)算誤差函數(shù)對(duì)輸出層的各神經(jīng)元的偏導(dǎo)計(jì)算誤差函數(shù)對(duì)輸出層的各神經(jīng)元的偏導(dǎo)數(shù)數(shù) 。 ohoohoeeyiwyiw( )( )( )phohoohhh

9、ohow ho kbyi kho kww211( ( )( )2( ( )( )( )( ( )( )f( )( )qooooooooooood kyo ked kyo k yo kyiyid kyo kyi kk( )ok2.4.2 BP2.4.2 BP網(wǎng)絡(luò)的規(guī)范學(xué)習(xí)算法網(wǎng)絡(luò)的規(guī)范學(xué)習(xí)算法( )( )oohhoohoeeyik ho kwyiw 1( )( )( )( )( )hihhihnihihhiiihiheehikwhikww x kbhikx kwwp第五步，利用隱含層到輸出層的銜接權(quán)第五步，利用隱含層到輸出層的銜接權(quán)值、輸出層的值、輸出層的 和隱含層的輸出計(jì)算誤和隱含層的輸出計(jì)算

10、誤差函數(shù)對(duì)隱含層各神經(jīng)元的偏導(dǎo)數(shù)差函數(shù)對(duì)隱含層各神經(jīng)元的偏導(dǎo)數(shù) 。 ( )hk( )ok2.4.2 BP2.4.2 BP網(wǎng)絡(luò)的規(guī)范學(xué)習(xí)算法網(wǎng)絡(luò)的規(guī)范學(xué)習(xí)算法21212111( )( ) )( )2( )( )( )1( )f( ) )( )2( )( )1( )f( ) )( )2( )( )qoohohhhqoohohhqpohohohohhhd kyo keho khi kho khi kd kyi kho kho khi kd kw ho kbho kho khi k11( )( )( )f ( )( )( )f ( )( )qhooohoohqohohhoho kd kyo kyi k

11、whi kk whi kk 2.4.2 BP2.4.2 BP網(wǎng)絡(luò)的規(guī)范學(xué)習(xí)算法網(wǎng)絡(luò)的規(guī)范學(xué)習(xí)算法p第六步，利用輸出層各神經(jīng)元的第六步，利用輸出層各神經(jīng)元的 和和隱含層各神經(jīng)元的輸出來(lái)修正銜接權(quán)隱含層各神經(jīng)元的輸出來(lái)修正銜接權(quán)值值 。 1( )( )( )( )( )hoohhoNNhohoohewkk ho kwwwk ho k ( )ok( )howk2.4.2 BP2.4.2 BP網(wǎng)絡(luò)的規(guī)范學(xué)習(xí)算法網(wǎng)絡(luò)的規(guī)范學(xué)習(xí)算法p第七步，利用隱含層各神經(jīng)元的第七步，利用隱含層各神經(jīng)元的 和和輸入層各神經(jīng)元的輸入修正銜接權(quán)。輸入層各神經(jīng)元的輸入修正銜接權(quán)。 ( )hk1( )( )( ) ( )( )(

12、 ) ( )hihhiihhihNNihihhieehi kw kk x kwhi kwwwk x k2.4.2 BP2.4.2 BP網(wǎng)絡(luò)的規(guī)范學(xué)習(xí)算法網(wǎng)絡(luò)的規(guī)范學(xué)習(xí)算法p第八步，計(jì)算全局誤差第八步，計(jì)算全局誤差p第九步，判別網(wǎng)絡(luò)誤差能否滿足要求。當(dāng)誤差第九步，判別網(wǎng)絡(luò)誤差能否滿足要求。當(dāng)誤差到達(dá)預(yù)設(shè)精度或?qū)W習(xí)次數(shù)大于設(shè)定的最大次數(shù)，到達(dá)預(yù)設(shè)精度或?qū)W習(xí)次數(shù)大于設(shè)定的最大次數(shù)，那么終了算法。否那么，選取下一個(gè)學(xué)習(xí)樣本那么終了算法。否那么，選取下一個(gè)學(xué)習(xí)樣本及對(duì)應(yīng)的期望輸出，前往到第三步，進(jìn)入下一及對(duì)應(yīng)的期望輸出，前往到第三步，進(jìn)入下一輪學(xué)習(xí)。輪學(xué)習(xí)。 2111( )( )2qmookoEdky

13、km2.4.2 BP2.4.2 BP網(wǎng)絡(luò)的規(guī)范學(xué)習(xí)算法網(wǎng)絡(luò)的規(guī)范學(xué)習(xí)算法pBPBP算法直觀解釋算法直觀解釋p情況不斷觀表達(dá)情況不斷觀表達(dá)p 當(dāng)誤差對(duì)權(quán)值的偏當(dāng)誤差對(duì)權(quán)值的偏p導(dǎo)數(shù)大于零時(shí)，權(quán)值導(dǎo)數(shù)大于零時(shí)，權(quán)值p調(diào)整量為負(fù)，實(shí)踐輸調(diào)整量為負(fù)，實(shí)踐輸p出大于期望輸出，出大于期望輸出，p權(quán)值向減少方向調(diào)整，權(quán)值向減少方向調(diào)整，p使得實(shí)踐輸出與期望使得實(shí)踐輸出與期望p輸出的差減少。輸出的差減少。whohoewe0，此時(shí)，此時(shí)who02.4.2 BP2.4.2 BP網(wǎng)絡(luò)的規(guī)范學(xué)習(xí)算法網(wǎng)絡(luò)的規(guī)范學(xué)習(xí)算法pBPBP算法直解釋算法直解釋p情況二直觀表達(dá)情況二直觀表達(dá)p當(dāng)誤差對(duì)權(quán)值的偏導(dǎo)數(shù)當(dāng)誤差對(duì)權(quán)值的偏導(dǎo)數(shù)

14、p小于零時(shí)，權(quán)值調(diào)整量小于零時(shí)，權(quán)值調(diào)整量p為正，實(shí)踐輸出少于期為正，實(shí)踐輸出少于期p望輸出，權(quán)值向增大方向望輸出，權(quán)值向增大方向p調(diào)整，使得實(shí)踐輸出與期調(diào)整，使得實(shí)踐輸出與期p望輸出的差減少。望輸出的差減少。hoewe0who2.4.3 BP2.4.3 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的MATLABMATLAB實(shí)現(xiàn)實(shí)現(xiàn) pMATLABMATLAB中中BPBP神經(jīng)網(wǎng)絡(luò)的重要函數(shù)和根本神經(jīng)網(wǎng)絡(luò)的重要函數(shù)和根本功能功能 函函 數(shù)數(shù) 名名功功 能能newff()生成一個(gè)前饋生成一個(gè)前饋BP網(wǎng)絡(luò)網(wǎng)絡(luò)tansig()雙曲正切雙曲正切S型型(Tan-Sigmoid)傳輸函數(shù)傳輸函數(shù)logsig()對(duì)

15、數(shù)對(duì)數(shù)S型型(Log-Sigmoid)傳輸函數(shù)傳輸函數(shù)traingd()梯度下降梯度下降BP訓(xùn)練函數(shù)訓(xùn)練函數(shù)2.4.3 BP2.4.3 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的MATLABMATLAB實(shí)現(xiàn)實(shí)現(xiàn)pMATLABMATLAB中中BPBP神經(jīng)網(wǎng)絡(luò)的重要函數(shù)和根本功能神經(jīng)網(wǎng)絡(luò)的重要函數(shù)和根本功能pnewff()newff()p功能功能 建立一個(gè)前向建立一個(gè)前向BPBP網(wǎng)絡(luò)網(wǎng)絡(luò)p格式格式 net = newff(PR net = newff(PR，S1 S2.SN1S1 S2.SN1，TF1 TF1 TF2.TFN1TF2.TFN1，BTFBTF，BLFBLF，PF)PF)p闡明闡明 ne

16、t net為創(chuàng)建的新為創(chuàng)建的新BPBP神經(jīng)網(wǎng)絡(luò)；神經(jīng)網(wǎng)絡(luò)；PRPR為網(wǎng)絡(luò)輸為網(wǎng)絡(luò)輸入取向量取值范圍的矩陣；入取向量取值范圍的矩陣；S1 S2SNlS1 S2SNl表示網(wǎng)表示網(wǎng)絡(luò)隱含層和輸出層神經(jīng)元的個(gè)數(shù)；絡(luò)隱含層和輸出層神經(jīng)元的個(gè)數(shù)；TFl TFl TF2TFN1TF2TFN1表示網(wǎng)絡(luò)隱含層和輸出層的傳輸函數(shù)，表示網(wǎng)絡(luò)隱含層和輸出層的傳輸函數(shù)，默以為默以為tansigtansig；BTFBTF表示網(wǎng)絡(luò)的訓(xùn)練函數(shù)，默以表示網(wǎng)絡(luò)的訓(xùn)練函數(shù)，默以為為trainlmtrainlm；BLFBLF表示網(wǎng)絡(luò)的權(quán)值學(xué)習(xí)函數(shù)，默表示網(wǎng)絡(luò)的權(quán)值學(xué)習(xí)函數(shù)，默以為以為learngdmlearngdm；PFPF表示性能

17、數(shù)，默以為表示性能數(shù)，默以為msemse。 2.4.3 BP2.4.3 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的MATLABMATLAB實(shí)現(xiàn)實(shí)現(xiàn)pMATLABMATLAB中中BPBP神經(jīng)網(wǎng)絡(luò)的重要函數(shù)和根本功能神經(jīng)網(wǎng)絡(luò)的重要函數(shù)和根本功能ptansig()tansig()p功能功能 正切正切sigmoidsigmoid激活函數(shù)激活函數(shù)p格式格式 a = tansig(n) a = tansig(n)p闡明闡明 雙曲正切雙曲正切SigmoidSigmoid函數(shù)把神經(jīng)元的輸入范圍從函數(shù)把神經(jīng)元的輸入范圍從(-(-，+)+)映射到映射到(-1(-1，1)1)。它是可導(dǎo)函數(shù)，適用于。它是可導(dǎo)函數(shù)，適用

18、于BPBP訓(xùn)練的神訓(xùn)練的神經(jīng)元。經(jīng)元。plogsig()logsig()p功能功能 對(duì)數(shù)對(duì)數(shù)SigmoidSigmoid激活函數(shù)激活函數(shù)p格式格式 a = logsig(N) a = logsig(N)p闡明對(duì)數(shù)闡明對(duì)數(shù)SigmoidSigmoid函數(shù)把神經(jīng)元的輸入范圍從函數(shù)把神經(jīng)元的輸入范圍從(-(-，+)+)映射到映射到(0(0，1)1)。它是可導(dǎo)函數(shù)，適用于。它是可導(dǎo)函數(shù)，適用于BPBP訓(xùn)練的神經(jīng)元。訓(xùn)練的神經(jīng)元。2.4.3 BP2.4.3 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的MATLABMATLAB實(shí)現(xiàn)實(shí)現(xiàn)p例例2-32-3，下表為某藥品的銷售情況，現(xiàn)構(gòu)建一個(gè)如下的三層，下表為某藥

19、品的銷售情況，現(xiàn)構(gòu)建一個(gè)如下的三層BPBP神經(jīng)神經(jīng)網(wǎng)絡(luò)對(duì)藥品的銷售進(jìn)展預(yù)測(cè)：輸入層有三個(gè)結(jié)點(diǎn)，隱含層結(jié)點(diǎn)數(shù)網(wǎng)絡(luò)對(duì)藥品的銷售進(jìn)展預(yù)測(cè)：輸入層有三個(gè)結(jié)點(diǎn)，隱含層結(jié)點(diǎn)數(shù)為為5 5，隱含層的激活函數(shù)為，隱含層的激活函數(shù)為tansigtansig；輸出層結(jié)點(diǎn)數(shù)為；輸出層結(jié)點(diǎn)數(shù)為1 1個(gè)，輸出層個(gè)，輸出層的激活函數(shù)為的激活函數(shù)為logsiglogsig，并利用此網(wǎng)絡(luò)對(duì)藥品的銷售量進(jìn)展預(yù)測(cè)，并利用此網(wǎng)絡(luò)對(duì)藥品的銷售量進(jìn)展預(yù)測(cè)，預(yù)測(cè)方法采用滾動(dòng)預(yù)測(cè)方式，即用前三個(gè)月的銷售量來(lái)預(yù)測(cè)第四預(yù)測(cè)方法采用滾動(dòng)預(yù)測(cè)方式，即用前三個(gè)月的銷售量來(lái)預(yù)測(cè)第四個(gè)月的銷售量，如用個(gè)月的銷售量，如用1 1、2 2、3 3月的銷售量為輸

20、入預(yù)測(cè)第月的銷售量為輸入預(yù)測(cè)第4 4個(gè)月的銷個(gè)月的銷售量，用售量，用2 2、3 3、4 4月的銷售量為輸入預(yù)測(cè)第月的銷售量為輸入預(yù)測(cè)第5 5個(gè)月的銷售量個(gè)月的銷售量. .如此反如此反復(fù)直至滿足預(yù)測(cè)精度要求為止。復(fù)直至滿足預(yù)測(cè)精度要求為止。 月份月份123456銷量銷量205623952600229816341600月份月份789101112銷量銷量1873147819001500204615562.4.3 BP2.4.3 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的MATLABMATLAB實(shí)現(xiàn)實(shí)現(xiàn)%以每三個(gè)月的銷售量經(jīng)歸一化處置后作為輸入P=0.51520.81731.0000 ; 0.8173

21、1.00000.7308; 1.0000 0.73080.0; 0.7308 0.00.1087; 0.00.10870.3520; 0.1087 0.35200.0000;%以第四個(gè)月的銷售量歸一化處置后作為目的向量T=0.7308 0.0 0.1087 0.3520 0.0000 0.3761;%創(chuàng)建一個(gè)BP神經(jīng)網(wǎng)絡(luò)，每一個(gè)輸入向量的取值范圍為0 ,1，隱含層有5個(gè)神經(jīng)%元，輸出層有一個(gè)神經(jīng)元，隱含層的激活函數(shù)為tansig，輸出層的激活函數(shù)為%logsig，訓(xùn)練函數(shù)為梯度下降函數(shù)，即2.3.2節(jié)中所描畫的規(guī)范學(xué)習(xí)算法net=newff(0 1;0 1;0 1,5,1,tansig,logsig,traingd);net.trainParam.epochs=15000;net.trainParam.goal=0.01;%設(shè)置學(xué)習(xí)速率為0.1LP.lr=0.1;net=train(net,P,T); 2.4.3 BP2.4.3 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的MATLAB