matlab神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)-預(yù)覽頁(yè)
【正文】 ? 主要功能 : 函數(shù)逼近 , 模式識(shí)別 , 信息分類(lèi) ? 傳遞函數(shù) :隱層采用 S形函數(shù) ,輸出層 S形函數(shù)或線(xiàn)性函數(shù) BP網(wǎng)絡(luò)的生成 newff 函數(shù) newff用來(lái)生成一個(gè) BP網(wǎng)絡(luò) =newff(PR,[S1 S2...SN],{TF1 TF2... TFN},BTF,BLF,PF) PR: 一個(gè) R 2矩陣 , 由 R維輸入向量的每維最小值和最大值組成 Si: 第 i層的神經(jīng)元個(gè)數(shù) TFi: 第 i層的傳遞函數(shù) , 默認(rèn)為 tansig BTF: 訓(xùn)練函數(shù) , 默認(rèn)為 trainlm BLF: 學(xué)習(xí)函數(shù) , 默認(rèn)為 learngdm PF: 性能函數(shù) , 默認(rèn)為 mse =newff([0,10。 ?前饋網(wǎng)絡(luò)通常分為不同的 層 (layer)，第 i層的輸入只與第 i1層的輸出聯(lián)結(jié)。 1．正向傳播 輸入的樣本從輸入層經(jīng)過(guò)隱單元一層一層進(jìn)行處理，通過(guò)所有的隱層之后，則傳向輸出層；在逐層處理的過(guò)程中，每一層神經(jīng)元的狀態(tài)只對(duì)下一層神經(jīng)元的狀態(tài)產(chǎn)生影響。這種算法采用非線(xiàn)性規(guī)劃中的最速下降方法，按誤差函數(shù)的負(fù)梯度方向修改權(quán)系數(shù)。 %創(chuàng)建一個(gè)新的 BP網(wǎng)絡(luò) =newff(minmax(p),[3 1],{39。},39。 =。%動(dòng)量因子，缺省為 =train(,p,t)。 p = [1:.05:1]。) title(39。時(shí)間 39。)。 = newff(minmax(p), [n,1], {39。}, 39。 % 同時(shí)繪制網(wǎng)絡(luò)輸出曲線(xiàn)，并與原函數(shù)相比較 figure。39。 xlabel(39。仿真輸出 － － 原函數(shù) － 39。將訓(xùn)練時(shí)間設(shè)置為 50，精度設(shè)置為 ，其余用缺省值。 Stet 4: 網(wǎng)絡(luò)測(cè)試 對(duì)于訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行仿真 并繪制網(wǎng)絡(luò)輸出曲線(xiàn)，與原始非線(xiàn)性函數(shù)曲線(xiàn)以及未訓(xùn)練網(wǎng)絡(luò)的輸出結(jié)果曲線(xiàn)相比較 y2 = sim(,p)。,p,y1,39。) title(39。時(shí)間 3
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1