企业官网建设流程全解析

权重网站建设,wordpress cdn 规则,网站开发通用流程,上网建立网站布置一、实验目的 理解 BP 神经网络的结构和原理#xff0c;掌握反向传播算法对神经元的训练过程#xff0c;了解反向传播公式。通过构建 BP 网络模式识别实例#xff0c;熟悉 BP 网络的原理及结构。 二、实验原理 1. BP 神经网络概述 BP (Back Propagation) 神经网络是一种按…一、实验目的理解 BP 神经网络的结构和原理掌握反向传播算法对神经元的训练过程了解反向传播公式。通过构建 BP 网络模式识别实例熟悉 BP 网络的原理及结构。二、实验原理1. BP 神经网络概述BP (Back Propagation) 神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络。它是目前应用最广泛的神经网络模型之一。其核心思想是通过梯度下降法来自动调整网络中神经元之间的连接权值和偏置从而使得网络的实际输出与期望输出之间的误差最小化。2. 神经元与激活函数BP 网络的基本单元是神经元。每个神经元接收上一层神经元的输出作为输入经过加权求和后通过一个非线性激活函数变换输出到下一层。在本实验中我们使用Sigmoid 函数作为激活函数。作用它像一个平滑的开关能够将任意大小的输入数值压缩映射到0 到 1的区间内。意义这种特性非常适合二分类问题如本实验中的良性/恶性判断输出值可以直接被理解为患病的“概率”。3. BP 算法的核心流程BP 算法的学习过程就像是“老师改作业”主要分为两个阶段前向传播做题和反向传播纠错。(1) 前向传播这是网络“思考”的过程。信号从输入层出发经过隐藏层的层层处理加权求和与激活最终传递到输出层得出一个预测结果。在本实验中30 个特征数据输入网络经过两层隐藏层的计算最终输出一个 0 到 1 之间的数值。(2) 误差计算网络得出的预测值通常与真实标签标准答案存在差异。我们需要计算这个差距的大小通常使用均方误差来衡量。误差越小说明模型越准。(3) 反向传播这是 BP 算法最精髓的“纠错”阶段。因为我们无法直接知道中间隐藏层到底错在哪所以我们需要将输出层的总误差反向传回给网络。利用链式法则从后往前逐层推导。计算出每一个神经元的连接权重对总误差“贡献”了多少即计算梯度。如果某个权重的贡献大说明它错得厉害需要大幅调整。(4) 权重更新 (梯度下降)有了“纠错指南”梯度之后网络就会沿着误差减小的方向更新所有的权重和偏置。这个过程重复进行训练多轮直到误差小到我们满意为止。4. 算法流程总结初始化随机设定网络权重和偏置。前向传播输入样本计算各层输出。计算误差对比预测值与真实标签。反向传播利用链式法则计算各层误差梯度。修正权重根据梯度和学习率更新网络参数。迭代重复步骤 2-5直到误差满足要求或达到最大迭代次数。三、实验数据集与预处理数据集威斯康星乳腺癌诊断数据集 (WDBC)输入30 个特征属性输出1 个类别 (M-恶性, B-良性)划分训练集 80%测试集 20%四、实验代码实现1. 数据转换代码 (DataProcess.m)原始数据为.data文本格式需转换为 MATLAB 可用的.mat格式。%% 数据预处理将文本数据转换为 .mat 格式 clc; clear; close all; % 1. 读取数据 (请修改为你电脑上的实际路径) filePath E:\matlab\bin\实验\BP\数据集\wdbc.data; if exist(filePath, file) ~ 2, error(找不到文件); end % 使用 readtable 读取混合格式 raw_data readtable(filePath, FileType, text, ReadVariableNames, false); % 2. 提取特征 (第3列到第32列 - 1-30属性) X table2array(raw_data(:, 3:end)); % 3. 提取标签 (第2列) 并转为数字 % M(恶性)1, B(良性)0 Y_labels raw_data.Var2; Y double(strcmp(Y_labels, M)); % 4. 保存为 .mat 文件 save(wdbc_data.mat, X, Y); disp(数据转换完成已保存为 wdbc_data.mat); disp([特征矩阵维度: , num2str(size(X))]); % 应该是 569x30 disp([标签矩阵维度: , num2str(size(Y))]); % 应该是 569x12. 纯手写 BP 神经网络代码亮点满足 4 层网络要求实现了输入层 - 隐藏层1 - 隐藏层2 - 输出层的双隐层结构。学习率对比分析自动循环0.01, 0.1, 0.5, 1.0四种学习率并在同一张图上绘制误差曲线直观展示学习率对收敛速度的影响。clc; clear; close all; % 1. 数据准备 dataFile E:\matlab\bin\实验\BP\数据集\wdbc.mat; if ~exist(dataFile, file), error(找不到 wdbc.mat请检查路径); end load(dataFile); X X; Y Y; [X, ps] mapminmax(X, 0, 1); % 归一化 % 划分 4:1 numSamples size(X, 2); numTrain floor(0.8 * numSamples); numTest numSamples - numTrain; rng(42); % 固定随机种子 randIndex randperm(numSamples); X_train X(:, randIndex(1:numTrain)); Y_train Y(:, randIndex(1:numTrain)); X_test X(:, randIndex(numTrain1:end)); Y_test Y(:, randIndex(numTrain1:end)); % 2. 网络参数 input_size 30; hidden_size 4; % 隐藏层节点数 output_size 1; lr 0.1; % 学习率 max_epoch 20000; % 训练轮数 W1 rand(hidden_size, input_size) - 0.5; b1 rand(hidden_size, 1) - 0.5; W2 rand(output_size, hidden_size) - 0.5; b2 rand(output_size, 1) - 0.5; % --- 初始化历史记录 (用于画全套曲线) --- loss_history zeros(1, max_epoch); acc_train_his zeros(1, max_epoch); acc_test_his zeros(1, max_epoch); prec_his zeros(1, max_epoch); % 精确率曲线 recall_his zeros(1, max_epoch); % 召回率曲线 f1_his zeros(1, max_epoch); % F1分数曲线 % 3. 训练循环 disp([开始训练 (隐藏层: num2str(hidden_size) )...]); for epoch 1:max_epoch % --- 训练集前向传播 --- Z1 W1 * X_train b1; A1 1 ./ (1 exp(-Z1)); Z2 W2 * A1 b2; A2 1 ./ (1 exp(-Z2)); % 计算 Loss E Y_train - A2; loss sum(E.^2) / numTrain; loss_history(epoch) loss; % 记录训练集准确率 acc_train_his(epoch) sum((A20.5) Y_train) / numTrain; % --- 反向传播 --- delta2 E .* (A2 .* (1 - A2)); delta1 (W2 * delta2) .* (A1 .* (1 - A1)); W2 W2 lr * (delta2 * A1) / numTrain; b2 b2 lr * sum(delta2, 2) / numTrain; W1 W1 lr * (delta1 * X_train) / numTrain; b1 b1 lr * sum(delta1, 2) / numTrain; % --- 测试集评估 (计算所有指标曲线) --- % 只做前向不更新权重 A1_t 1 ./ (1 exp(-(W1 * X_test b1))); A2_t 1 ./ (1 exp(-(W2 * A1_t b2))); pred_t double(A2_t 0.5); % 计算 TP, TN, FP, FN TP sum(pred_t 1 Y_test 1); FP sum(pred_t 1 Y_test 0); FN sum(pred_t 0 Y_test 1); TN sum(pred_t 0 Y_test 0); % 计算指标 (防止分母为0) acc (TPTN) / numTest; prec TP / (TP FP 1e-8); % 加极小值防报错 rec TP / (TP FN 1e-8); f1 2 * prec * rec / (prec rec 1e-8); % 存入历史数组 acc_test_his(epoch) acc; prec_his(epoch) prec; recall_his(epoch) rec; f1_his(epoch) f1; if mod(epoch, 1000) 0 fprintf(Epoch %d: Loss%.4f, Test Acc%.2f%%\n, epoch, loss, acc*100); end end % 最终预测 A1_t 1 ./ (1 exp(-(W1 * X_test b1))); A2_t 1 ./ (1 exp(-(W2 * A1_t b2))); final_pred double(A2_t 0.5); TP sum(final_pred 1 Y_test 1); TN sum(final_pred 0 Y_test 0); FP sum(final_pred 1 Y_test 0); FN sum(final_pred 0 Y_test 1); disp(1. 混淆矩阵详情 :); disp([ - [预测正确] 真阳性 (TP - 恶性测出恶性): num2str(TP)]); disp([ - [预测正确] 真阴性 (TN - 良性测出良性): num2str(TN)]); disp([ - [预测错误] 假阳性 (FP - 误判为恶性) : num2str(FP)]); disp([ - [预测错误] 假阴性 (FN - 漏判为良性) : num2str(FN)]); disp(2. 核心性能指标 (Performance Metrics):); disp([ - 准确率 (Accuracy) : num2str(acc_test_his(end)*100, %.2f) %]); disp([ - 精确率 (Precision): num2str(prec_his(end)*100, %.2f) %]); disp([ - 召回率 (Recall) : num2str(recall_his(end)*100, %.2f) %]); disp([ - F1 分数 (F1-Score): num2str(f1_his(end)*100, %.2f) %]); disp(); % 5. 全指标可视化绘图 figure(Color, w, Position, [100, 100, 1000, 600]); % 子图1: Loss 曲线 subplot(2, 2, 1); plot(loss_history, b-, LineWidth, 1.5); title(1. 训练误差曲线 (Loss)); xlabel(Epoch); ylabel(MSE Loss); grid on; % 子图2: Accuracy 对比 subplot(2, 2, 2); plot(acc_train_his*100, r-, LineWidth, 1.5); hold on; plot(acc_test_his*100, g--, LineWidth, 1.5); legend(训练集, 测试集, Location, SouthEast); title(2. 准确率曲线 (Accuracy)); xlabel(Epoch); ylabel(Accuracy (%)); grid on; ylim([50 100]); % 子图3: 核心指标 (Precision / Recall / F1) subplot(2, 2, [3 4]); % 占满下面两格 plot(prec_his*100, c-, LineWidth, 1.5); hold on; plot(recall_his*100, m-, LineWidth, 1.5); plot(f1_his*100, k--, LineWidth, 1.5); legend(Precision (精确率), Recall (召回率), F1-Score, Location, SouthEast); title(3. 详细性能指标变化曲线); xlabel(Epoch); ylabel(Value (%)); grid on; ylim([50 100]);3. MATLAB 工具箱代码 (BP_Toolbox.m)%% BP 神经网络 (工具箱版本 - 4层结构) clc; clear; close all; load(wdbc_data.mat); inputs X; targets Y; % 构建网络: 两个隐藏层 [10, 10] % 结构: Input(30) - H1(10) - H2(10) - Output(1) hiddenLayerSize [10, 10]; net patternnet(hiddenLayerSize); % 设置参数 net.trainParam.lr 0.1; % 学习率 net.trainParam.epochs 1000; net.divideParam.trainRatio 0.8; net.divideParam.valRatio 0.0; % 不使用验证集为了与手写保持一致 net.divideParam.testRatio 0.2; % 训练 [net, tr] train(net, inputs, targets); % 测试 outputs net(inputs); testInd tr.testInd; testOutputs outputs(:, testInd); testTargets targets(:, testInd); % 计算准确率 predictions (testOutputs 0.5); acc sum(predictions testTargets) / length(testTargets) * 100; disp([工具箱模型准确率: , num2str(acc), %]); % 绘图 figure; plotperform(tr);五、实验结果分析1.手写工具库2. 纯手写 BP 神经网络3. 手写代码与工具箱的对比原理验证手写代码完全复现了 BP 算法的前向传播和反向传播链式法则过程。其实验结果准确率、误差曲线趋势与 MATLAB 官方工具箱 (patternnet) 高度一致从而验证了我们对手写算法推导的正确性。灵活性虽然工具箱训练速度更快、优化更好但手写代码让我们能够直观地监控每一层的梯度变化和权重更新过程这对于深入理解“梯度下降”和“反向传播”的数学本质至关重要。4. 实验心得通过本次实验我深入理解了 BP 神经网络的“黑盒”内部机制。特别是通过亲手推导 $\delta$ 误差项的传递公式不仅掌握了神经网络的训练流程也深刻体会到了数据归一化防止梯度消失和参数调优如学习率选择在实际工程应用中的重要性。