人工神經(jīng)網(wǎng)絡(luò)蠕蟲分類問題(存儲版)
【正文】 in(ObjV)。ylabel(39。fprintf([39。Obj=zeros(M,1)。},39。%輸入層到隱含層的權(quán)值個數(shù)w2num=outputnum*hiddennum。{2}=reshape(B2,outputnum,1)。logsig39。%%BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值與閥值w1num=inputnum*hiddennum。{1}=reshape(B1,hiddennum,1)。err2=norm(Y2T_test)。,。,。P2=p2(n2(1:3),:)。T2=t2(:,n2(1:3))。T_test=[T3,T4]。},39。%%測試網(wǎng)絡(luò)disp([39。測試樣本的仿真誤差：39。,39。=NaN。{2,1}=reshape(w2,outputnum,hiddennum)。使用優(yōu)化后的權(quán)值與閥值對三個樣本預(yù)測的結(jié)果：39。 ]39。%初始隱含層到輸出層的權(quán)值B2=bestX(w1num+hiddennum+w2num+1:w1num+hiddennum+w2num+outputnum)。=。%輸出層神經(jīng)元個數(shù)%%新建BP網(wǎng)絡(luò)net=newff(minmax(P),[hiddennum,outputnum],{39。err11=norm(sim(net,P)T)。=NaN。,39。T3=t1(:,n1(7:9))。ones(1,6)]。n2=randperm(size(p2,1))。,]。,num2str(err21)])(5)clcclear allclose all%%加載神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，測試樣本每一列一個樣本，輸入P,輸出Tp1=[,。測試樣本預(yù)測的結(jié)果：39。%輸出層神經(jīng)元閥值{1,1}=reshape(w1,hiddennum,inputnum)。=。tansig39。{2,1}=reshape(w2,outputnum,hiddennum)。=NaN。,39。\n39。bestX=trace(1:end1,end)。遺傳代數(shù)39。%將子代插入到父代，得到新種群 X=bs2rv(Chrom,FieldD)。,Chrom,FitnV,GGAP)。%代計數(shù)器X=bs2rv(Chrom,FieldD)。repmat([。%待優(yōu)化的變量的個數(shù)%%定義遺傳參數(shù)NIND=40。T4=t1(:,n2(4:6))。T1=t1(:,n1(1:6))。P1=p1(n1(1:6),:)。p2=[,。,。 。logsig39。zeros(1,9),ones(1,6)]。,。,。易見。最速下降法是一種迭代算法，為求出 的（局部）極小，它從一個任取的初始點(diǎn)出發(fā)，計算在點(diǎn)的負(fù)梯度方向,這是函數(shù)在該點(diǎn)下降最快的方向；只要，就可沿該方向移動一小段距離，達(dá)到一個新的點(diǎn),是一個參數(shù)，只要足夠小，定能保證。因為，對于任何一個未知類別的樣品，只要將其觸角及翅膀長度輸入網(wǎng)絡(luò)，視其輸出模式靠近 亦或 ，就可能判斷其歸屬。中間一層稱為處理層或隱單元層，單元個數(shù)適當(dāng)選取，在本問題中，取三個就足夠了。通常前饋網(wǎng)絡(luò)可分為不同的層，第 層的輸入只與第 層輸出相連，輸入和輸出結(jié)點(diǎn)與外界相連，而其它中間層則稱為隱層。雙曲正弦函數(shù): 。以上作用可分別以數(shù)學(xué)式表達(dá)出來： 式中 為輸入信號，為神經(jīng)元權(quán)值，為線性組合結(jié)果，為閾值，為激活函數(shù)，為神經(jīng)元的輸出。(得到的結(jié)果是什么?)關(guān)鍵詞：人工神經(jīng)元模型 多層前饋網(wǎng)絡(luò) 向后傳播算法 最速下降法一、問題重述（1981）根據(jù)它們的觸角長度、翅膀長度加以區(qū)分. 現(xiàn)測得只和只的觸長、翅膀長的數(shù)據(jù)如下：問題一：如何根據(jù)以上數(shù)據(jù)，制定一種方法正確區(qū)分兩種蠓蟲？(需要用結(jié)果,即正確率去說明你所使用的方法的正確性,并在摘要中寫出來)問題二：用問題一采用的方法的方法對觸長、翅長分別為的個樣本進(jìn)行識別。問題一：基于已知的資料可以建立多層前饋網(wǎng)絡(luò)模型對蠕蟲進(jìn)行分類，利用已知的測量數(shù)據(jù)該模型可以進(jìn)行學(xué)習(xí)過程，得到一組恰當(dāng)?shù)臋?quán)值，使網(wǎng)絡(luò)具有特定的分類功能；問題二：可以利用問題一建立的多層前饋網(wǎng)絡(luò)模型對給定的3個樣本進(jìn)行分類。 圖2 神經(jīng)元模型激活函數(shù)可以有以下幾種: （i）閾值函數(shù) 即階梯函數(shù)。雙曲余切函數(shù): 。 從作用效果看，前饋網(wǎng)絡(luò)主要是函數(shù)映射，可用于模式識別和函數(shù)逼近。在蠓蟲分類問題中，分別表示學(xué)習(xí)樣本中的15 個樣品；當(dāng)將第 個樣品的原始數(shù)據(jù)輸入網(wǎng)絡(luò)時，相應(yīng)的輸出單元狀態(tài)為，隱單元狀態(tài)為，輸入單元取值為。 如前所述，我們希望對應(yīng)于學(xué)習(xí)樣本中 Af樣品的輸出是，對應(yīng)于 Apf 的輸出是，這樣的輸出稱之為理想輸出。利用這一迭代算法，最終生成
教學(xué)教案相關(guān)推薦
鄂ICP備17016276號-1