人工神經(jīng)網(wǎng)絡(luò)蠕蟲(chóng)分類(lèi)問(wèn)題-預(yù)覽頁(yè)
【正文】 問(wèn)題，考慮一個(gè)其結(jié)構(gòu)如圖3 所示的人工神經(jīng)網(wǎng)絡(luò)，激活函數(shù)由 來(lái)決定。最上面一層稱(chēng)為輸出層，在本問(wèn)題中只包含二個(gè)單元，用以輸出與每一組輸入數(shù)據(jù)相對(duì)應(yīng)的分類(lèi)信息．任何一個(gè)中間層單元接受所有輸入單元傳來(lái)的信號(hào)，并把處理后的結(jié)果傳向每一個(gè)輸出單元，供輸出層再次加工，同層的神經(jīng)元彼此不相聯(lián)接，輸入與輸出單元之間也沒(méi)有直接聯(lián)接。事實(shí)上，對(duì)樣品而言，隱單元 的輸入是 相應(yīng)的輸出狀態(tài)是 由此，輸出單元所接收到的迭加信號(hào)是 網(wǎng)絡(luò)的最終輸出是 這里，沒(méi)有考慮閾值，正如前面已經(jīng)說(shuō)明的那樣，這一點(diǎn)是無(wú)關(guān)緊要的。當(dāng)然，有可能出現(xiàn)介于中間無(wú)法判斷的情況。為清楚起見(jiàn)，把對(duì)應(yīng)于樣品 的理想輸出記為，那么 度量了在一組給定的權(quán)下，實(shí)際輸出與理想輸出的差異，由此，尋找一組恰當(dāng)?shù)臋?quán)的問(wèn)題，自然地歸結(jié)為求適當(dāng)?shù)闹?，使達(dá)到極小的問(wèn)題。不斷重復(fù)這一過(guò)程，一定能達(dá)到的一個(gè)（局部）極小點(diǎn)。參數(shù)的大小則反映了學(xué)習(xí)效率。這表明：是序列的最小值點(diǎn)。]對(duì)上述模型，編寫(xiě)的Matlab 程序如下： clear allclose allclcp1=[,。,。,]。,。p2]39。 plotpv(p,goal(1,:))%plot(p1(:,1),p1(:,2),39。) net=newff(pr,[3,2],{39。})。 = 50000。 ]39。 (4)最好使用兩種方法進(jìn)行對(duì)比（比如判別分析與人工神經(jīng)網(wǎng)絡(luò)），這樣效果更好。,。,。,。,]。P2=p2(n2(1:3),:)。zeros(1,9)]。T2=t2(:,n2(1:3))。P_test=[P3。T_test=[T3,T4]。%輸入層神經(jīng)元個(gè)數(shù)w1num=inputnum*hiddennum。%種群大小MAXGEN=50。%交叉概率pm=。.5],1,N)。1],1,N)]。%計(jì)算初始種群的十進(jìn)制轉(zhuǎn)換ObjV=Objfun(X,P,T,hiddennum,P_test,T_test)。 FitnV=ranking(ObjV)。%選擇 SelCh=rebin(39。%變異 X=bs2rv(SelCh,FieldD)。 gen=gen+1。%記下每一代的最優(yōu)值end%%畫(huà)進(jìn)化圖figure(1)。)。title(39。bestErr=trace(end,end)。),39。])(2)function Obj= Objfun(X,P,T,hiddennum,P_test,T_test)%%用來(lái)分別求解種群中各個(gè)個(gè)體的目標(biāo)值%%輸入%X:所有個(gè)體的初始權(quán)值和閥值%P:訓(xùn)練樣本輸入%T:訓(xùn)練樣本輸出%hiddennum:隱含層神經(jīng)元數(shù)目%P_test:測(cè)試樣本輸入%T_test:測(cè)試樣本期望輸出%%Obj:所有個(gè)體預(yù)測(cè)樣本預(yù)測(cè)誤差的范數(shù)[M,N]=size(X)。%輸入層神經(jīng)元個(gè)數(shù)outputnum=size(T,1)。logsig39。%%設(shè)置網(wǎng)絡(luò)參數(shù)：訓(xùn)練次數(shù)為1000，=1000。%%BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值與閥值w1num=inputnum*hiddennum。%隱含層神經(jīng)元閥值w2=x(w1num+hiddennum+1:w1num+hiddennum+w2num)。{1}=reshape(B1,hiddennum,1)。err=norm(YT_test)。,39。)。=NaN。%初始輸入層到隱含層的權(quán)值B1=bestX(w1num+1:w1num+hiddennum)。{2,1}=reshape(w2,outputnum,hiddennum)。%%測(cè)試網(wǎng)絡(luò)disp([39。)Y2=sim(net,P_test)。測(cè)試樣本的仿真誤差：39。,。,。p2=[,。,。P1=p1(n1(1:6),:)。t1=[ones(1,9)。T1=t1(:,n1(1:6))。P4=p1(n2(4:6),:)。T4=t1(:,n2(4:6))。%輸入層神經(jīng)元個(gè)數(shù)outputnum=size(T,1)。logsig39。%%設(shè)置網(wǎng)絡(luò)參數(shù)：訓(xùn)練次數(shù)為1000，=1000。%%訓(xùn)練網(wǎng)絡(luò)net=train(net,P,T)。測(cè)試樣本預(yù)測(cè)的結(jié)果：39。disp([39。,num2str(err11)])(6)%%使用優(yōu)優(yōu)化后的權(quán)值與閥值inputnum=size(P,1)。tansig39。trainlm39。=。%隱含層到輸出層的權(quán)值個(gè)數(shù)w1=bestX(1:w1num)。%輸出層神經(jīng)元閥值{1,1}=reshape(w1,hiddennum,inputnum)。%%訓(xùn)練網(wǎng)絡(luò)net=train(net,P,T)。disp(3
教學(xué)教案相關(guān)推薦
鄂ICP備17016276號(hào)-1