神經(jīng)網(wǎng)絡(luò)算法含感知器和b(編輯修改稿)
2025-01-31 16:17 本頁面
【文章內(nèi)容簡介】 構(gòu)： 中間層為 5 輸出層為 1 輸入層 5維向量的取值范圍 訓(xùn)練函數(shù) 轉(zhuǎn)移函數(shù) （ 1） purelin —— 線性傳遞函數(shù)； （ 2） tansig —— 雙曲正切 S型 （ sigmoid） 傳遞函數(shù)； （ 3） logsig —— 對數(shù) S型（ sigmoid）傳遞函數(shù)； 轉(zhuǎn)移函數(shù)： （ 1） （ 2） （ 3） 1lo g si g ( )1 xx e ?? ?ta n s ig ( )xxxxeexee?????訓(xùn)練函數(shù)： trainlm —— LevenbergMarquardt的 BP算法訓(xùn)練函數(shù)； trainbfg —— BFGS擬牛頓 BP算法訓(xùn)練函數(shù)； trainrp —— 具有彈性的 BP算法訓(xùn)練； traingd —— 梯度下降是 BP算法訓(xùn)練 。 traingda —— 梯度下降自適應(yīng) lr的 BP算法訓(xùn)練； traingdm —— 梯度下降動(dòng)量的 BP算法訓(xùn)練； traingdx —— 梯度下降動(dòng)量和自適應(yīng) lr的 BP算法訓(xùn)練 ； 如果對神經(jīng)網(wǎng)絡(luò)的輸入、輸出數(shù)據(jù)進(jìn)行一定的預(yù)處理，可以加快網(wǎng)絡(luò)的訓(xùn)練速度。有三種方法： 1） 歸一化 將每組數(shù)據(jù)都變?yōu)?1至 1之間的數(shù)，matlab中有函數(shù)： premnmx,postmnmx,tramnmx 算法： pn = 2*(pminp)/(maxpminp) 1。 2） 標(biāo)準(zhǔn)化 將每組數(shù)據(jù)變換為均值為 0，方差為 1的數(shù)，所涉及的函數(shù)有： prestd,posttd,trastd 3) 正交化 主成分分析也可以將數(shù)據(jù)進(jìn)行正交處理，減少輸入數(shù)據(jù)的處理，函數(shù)有： prepca,trapca. 注意：數(shù)據(jù)預(yù)處理 P = [0 1 2 3 4 5 6 7 8 9 10]。%輸入向量 T = [0 1 2 3 4 3 2 1 2 3 4]。%期望輸出 例： %創(chuàng)建兩層的 BP網(wǎng)絡(luò)： = newff ( [0 10], [5 1], {39。tansig39。, 39。purelin39。} )。 Y = sim(,P)。 %輸出仿真結(jié)果 plot(P,T,P,Y,‘o’) %作圖，未經(jīng)過訓(xùn)練的結(jié)果 或 = 50。 = train(,P,T)。 Y = sim(,P)。 plot(P,T,P,Y,‘o’) %作圖 訓(xùn)練后的結(jié)果 Y = T = [0 1 2 3 4 3 2 1 2 3 4]。 % 期望輸出 第一種情況的輸出結(jié)果： 0 2 4 6 8 1032101234誤差很大！ 未訓(xùn)練，非線性映射能力差。 Y = T = [0 1 2 3 4 3 2 1 2 3 4]。 % 期望輸出 第二種情況的輸出結(jié)果： 0 2 4 6 8 10 0 . 500 . 511 . 522 . 533 . 54思考： 究竟誤差有多大？ 修改程序： P = [0 1 2 3 4 5 6 7 8 9 10]。 T = [0 1 2 3 4 3 2 1 2 3 4]。 = newff([0 10],[5 1],{39。tansig39。 39。purelin39。})。 =50。 %每次循環(huán) 50次 = 500。 %最大循環(huán) 500次 =。 %期望目標(biāo)誤差最小值 = train(,P,T)。 %對網(wǎng)絡(luò)進(jìn)行反復(fù)訓(xùn)練 Y = sim(,P) figure % 打開另外一個(gè)圖形窗口 plot(P,T,P,Y,39。o39。) Y = 第二種情況的輸出結(jié)果： 0 2 4 6 8 1000 . 5
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1