【文章內(nèi)容簡介】 r f o r 4 E p o c h s48 11. 建立感知機(jī)神經(jīng)網(wǎng)絡(luò)函數(shù) newp( ) 利用 newp( ) 函數(shù)可建立一個(gè)感知機(jī)神經(jīng)網(wǎng)絡(luò) 。其調(diào)用格式為： =newp(Xr,S,Tf,Lf) 例建立一個(gè)兩輸入且樣本點(diǎn)取值在 [1， 1]之間 ，而網(wǎng)絡(luò)只有單個(gè)神經(jīng)元的感知機(jī)神經(jīng)網(wǎng)絡(luò) ， 可利用以下命令 =newp([1 1。1 1],1)。 49 使用 plotpc( )函數(shù)可以在已繪制的圖上加上感知機(jī)分類線 。 讓它返回得到的分類線的句柄 ， 以便在下一次再繪制分類線時(shí)能夠?qū)⒃瓉淼膭h除 。 例 handle=plotpc({1},{1})。 式中 {1}用來計(jì)算網(wǎng)絡(luò) 的權(quán)值 ， {1}用來計(jì)算網(wǎng)絡(luò) 的偏值 。 50 例 211 利用 newp( )和 train( )函數(shù)建立并訓(xùn)練一個(gè)感知機(jī)網(wǎng)絡(luò) ， 使其同樣能夠完成 “ 或 ” 的功能 。 解 根據(jù)神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)編寫的程序如下 。 ex2_11 執(zhí)行結(jié)果 y = 0 1 1 1 51 例 212 利用 train( )函數(shù)訓(xùn)練一個(gè)感知機(jī)網(wǎng)絡(luò)，并選擇 10個(gè)點(diǎn)對(duì)其進(jìn)行測(cè)試。 解 根據(jù)神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)編寫的程序 。 運(yùn)行以上命令可得如圖 220和圖 221所示的訓(xùn)練過程誤差曲線和測(cè)試結(jié)果。由圖可見網(wǎng)絡(luò)訓(xùn)練只需 5步，就能夠?qū)⑺鼈冋_分類，這說明了設(shè)計(jì)的網(wǎng)絡(luò)是正確的。 1 . 5 1 0 . 5 0 0 . 5 1 1 . 5 1 . 21 0 . 8 0 . 6 0 . 4 0 . 200 . 20 . 40 . 60 . 8V e c t o r s t o b e C l a s s i f i e dP ( 1 )P(2) 0 0 . 5 1 1 . 5 2 2 . 5 3 3 . 5 4 4 . 5 500 . 10 . 20 . 30 . 40 . 50 . 60 . 70 . 80 . 915 E p o c h sTrainingBlue GoalBlackP e r f o r m a n c e i s 0 , G o a l i s 0 . 0 152 線性神經(jīng)網(wǎng)絡(luò)工具箱函數(shù) MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中提供了大量的與線性網(wǎng)絡(luò)相關(guān)的的工具箱函數(shù) 。 在 MATLAB工作空間的命令行鍵入 “ help lin”， 便可得到與線性網(wǎng)絡(luò)相關(guān)的函數(shù) ， 進(jìn)一步利用 help命令又能得到相關(guān)函數(shù)的詳細(xì)介紹 。 表 23列出了這些函數(shù)的名稱和基本功能 。 53 表 23 線性網(wǎng)絡(luò)的重要函數(shù)和功能 函數(shù)名 功 能 sse( ) 誤差平方和性能函數(shù) purelin( ) 線性傳輸函數(shù) initlin( ) 線性線性神經(jīng)的初始化函數(shù) solvelin( ) 設(shè)計(jì)一個(gè)線性神經(jīng)網(wǎng)絡(luò) simulin( ) 對(duì)線性神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真 maxlinlr( ) 計(jì)算線性層的最大學(xué)習(xí)速率 learnwh( ) Widrowhoff的學(xué)習(xí)函數(shù) trainwh( ) 對(duì)線性神經(jīng)網(wǎng)絡(luò)進(jìn)行離線訓(xùn)練 adaptwh( ) 對(duì)線性神經(jīng)網(wǎng)絡(luò)進(jìn)行在線自適應(yīng)訓(xùn)練 newlind( ) 設(shè)計(jì)一個(gè)線性層 newlin( ) 新建一個(gè)線性層 54 1． 誤差平方和性能函數(shù) sse( ) 線性網(wǎng)絡(luò)學(xué)習(xí)規(guī)則為調(diào)整網(wǎng)絡(luò)的權(quán)值和偏值使網(wǎng)絡(luò)誤差平方和性能最小 。 誤差平方和性能函數(shù)的調(diào)用格式為： perf=sse(E,w,pp) 55 2. 線性傳輸函數(shù) purelin( ) 神經(jīng)元最簡單的傳輸函數(shù)是簡單地從神經(jīng)元輸入到輸出的線性傳輸函數(shù) ， 輸出僅僅被神經(jīng)元所附加的偏差所修正 。 線性傳輸函數(shù)常用于 WidriwHoff或 BP準(zhǔn)則來訓(xùn)練的神經(jīng)網(wǎng)絡(luò)中 ， 該函數(shù)調(diào)用格式為： a=purelin(N) 或 a=purelin(Z,b) a=purelin(P) 56 函數(shù) purelin(P)包含傳輸函數(shù)的特性名并返回問題中的特性 ， 如下的特性可從任何傳輸函數(shù)中獲得： (1)delta— 與傳輸函數(shù)相關(guān)的 delta函數(shù)； (2)init— 傳輸函數(shù)的標(biāo)準(zhǔn)初始化函數(shù)； (3)name— 傳輸函數(shù)的全稱； (4)output— 包含有傳輸函數(shù)最小 、 最大值的二元矢量 。 例利用以下命令可得圖 222。 n=5::5。b=0。 a=purelin(n,b)。plot(n,a) 5 4 3 2 1 0 1 2 3 4 554321012345圖 222 線性傳輸函數(shù) 57 3. 線性神經(jīng)網(wǎng)絡(luò)的初始化函數(shù) initlin( ) 利用 initlin( ) 函數(shù)可建立一個(gè)單層 （ 一個(gè)輸入層和一個(gè)輸出層 ） 線性神經(jīng)網(wǎng)絡(luò) 。 其調(diào)用格式為： [W,b]=initlin(R,S) 或 [W,b]=initlin(X,T) 例 X=[0 0 1 1。0 1 0 1]。 T=[0 1 1 1]。 [W,b]=initlin(X,T)。 58 4. 設(shè)計(jì)一個(gè)線性神經(jīng)網(wǎng)絡(luò)函數(shù) solvelin( ) 同大多數(shù)其它神經(jīng)網(wǎng)絡(luò)不同的是 ， 只要已知線性神經(jīng)網(wǎng)絡(luò)的輸入向量和目標(biāo)向量 ， 就可以直接對(duì)其進(jìn)行設(shè)計(jì) 。 使用函數(shù) solvelin( )設(shè)計(jì)的線性神經(jīng)網(wǎng)絡(luò) ， 可以不經(jīng)過訓(xùn)練 ， 直接找出網(wǎng)絡(luò)的權(quán)值和偏值 ， 使得網(wǎng)絡(luò)的誤差的平方和最小 。 該函數(shù)的調(diào)用格式為： [W,b]=solvelin(X,T) 59 5. 線性神經(jīng)網(wǎng)絡(luò)的仿真函數(shù) simulin( ) 利用函數(shù) solvelin( )建立的線性神經(jīng)網(wǎng)絡(luò)的權(quán)值和偏值就已經(jīng)根據(jù)網(wǎng)絡(luò)的輸入向量和目標(biāo)向量訓(xùn)練好了 。simulin( ) 函數(shù)可以測(cè)試一個(gè)線性神經(jīng)網(wǎng)絡(luò)的性能 。其調(diào)用格式為： Y=simulin(X,w,b) 60 例 213 利用 solvelin( )函數(shù)建立一個(gè)線性網(wǎng)絡(luò) ， 并對(duì)其進(jìn)行測(cè)試 。 X=[1 2 3]。T=[ ]。 %給定訓(xùn)練集和目標(biāo)值 [W,b]=solvelin(X,T)。y=simulin(X,W,b) 結(jié)果顯示： y= 61 6. 計(jì)算線性層的最大學(xué)習(xí)速率函數(shù) maxlinlr( ) 函數(shù) maxlinlr( ) 用于計(jì)算用 WidrowHoff準(zhǔn)則訓(xùn)練的線性網(wǎng)絡(luò)的最大穩(wěn)定學(xué)習(xí)速率 。 其調(diào)用格式為： lr=maxlinlr(X) 或 lr=maxlinlr(X,b) 例利用以下命令可計(jì)算出用 WidrowHoff準(zhǔn)則訓(xùn)練的線性神經(jīng)元層所用的學(xué)習(xí)率上限 。 X=[1 2 4 7。 3 10 6]。 lr=maxlinlr(X) 結(jié)果顯示： lr = 62 7． 線性神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)函數(shù) learnwh( ) 線性網(wǎng)絡(luò)采用 WidrowHoff學(xué)習(xí)規(guī)則 ， WidrowHoff學(xué)習(xí)規(guī)則只能訓(xùn)練單層的線性神經(jīng)網(wǎng)絡(luò) ， 但這并不影響單層線性神經(jīng)網(wǎng)絡(luò)的應(yīng)用 ， 因?yàn)閷?duì)每一個(gè)多層線性神經(jīng)網(wǎng)絡(luò)而言 ， 都可以設(shè)計(jì)出一個(gè)性能完全相當(dāng)?shù)膯螌泳€性神經(jīng)網(wǎng)絡(luò) 。 當(dāng)利用函數(shù)solvelin( )設(shè)計(jì)的線性神經(jīng)網(wǎng)絡(luò)不能調(diào)整網(wǎng)絡(luò)的權(quán)值和偏值使網(wǎng)絡(luò)誤差平方和性能最小時(shí) ， 可以應(yīng)用函數(shù) learnwh( )和 函數(shù) trainwh( )來調(diào)整網(wǎng)絡(luò)的權(quán)值和偏值 。 函數(shù) learnwh( )的調(diào)用格式為： [dW, db]=learnwh(X,E,lr) 63 8． 線性神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù) trainwh( ) 函數(shù) trainwh( )可利用 WidrowHoff學(xué)習(xí)規(guī)則對(duì)線性層的權(quán)值進(jìn)行訓(xùn)練 ， 利用輸入矢量 ， 計(jì)算該層輸出矢量 ， 然后根據(jù)產(chǎn)生的誤差矢量調(diào)整該層的權(quán)值和偏差 。調(diào)用格式為： [W,B,epochs,errors]= trainwh(w,b,X,T,tp) 64 9. 線性神經(jīng)網(wǎng)絡(luò)自適應(yīng)訓(xùn)練函數(shù) adaptwh( ) 函數(shù) adaptwh( )可以利用 WidrowHoff學(xué)習(xí)規(guī)則對(duì)線性層的權(quán)值進(jìn)行自適應(yīng)調(diào)節(jié) ， 在每一步迭代過程中 ， 修改自適應(yīng)線性網(wǎng)絡(luò)層的權(quán)值 、 偏差和輸出矢量 ， 從而學(xué)習(xí)并適應(yīng)環(huán)境的變化 。 其調(diào)用格式為： [Y,E,W,B]= adaptwh(w,b,X,T,lr) 65 10. 設(shè)計(jì)一個(gè)線性層函數(shù) newlind( ) 利用函數(shù) newlind( )設(shè)計(jì)出的線性網(wǎng)絡(luò)已經(jīng)訓(xùn)練好 ，可直接使用 ， 該函數(shù)調(diào)用格式為： =newlind(X,T) 66 例 214 利用 newlind( )函數(shù)建立一個(gè)線性網(wǎng)絡(luò) ， 并對(duì)其進(jìn)行測(cè)試 。 解 MATLAB程序 。 % X=[1 2 3]。T=[ ]。 %給定訓(xùn)練集和目標(biāo)值 =newlind(X,T)。 y=sim(,X) 執(zhí)行結(jié)果： y= 67 11. 新建一個(gè)線性層函數(shù) newlin( ) 利用函數(shù) newlin( )設(shè)計(jì)的線性網(wǎng)絡(luò) ， 還需訓(xùn)練 ，該函數(shù)調(diào)用格式為： =newlin(Xr,S,Id,lr) 例建立一個(gè)線性網(wǎng)絡(luò) 。 可利用以下命令 X=[1 2 3]。S=1。=newlin(minmax(X),S)。 68 執(zhí)行結(jié)果可得圖 223和圖 224。 圖 223 系統(tǒng)輸入輸出曲線 圖 224 網(wǎng)絡(luò)預(yù)測(cè)輸出與系統(tǒng)輸出和誤差 例 215 利用線性網(wǎng)絡(luò)進(jìn)行系統(tǒng)辨識(shí) 。 解 MATLAB程序如下 : ex2_15 69 執(zhí)行結(jié)果可得圖 225和圖 226。 圖 225 網(wǎng)絡(luò)待預(yù)測(cè)的目標(biāo)信號(hào) 圖 226 網(wǎng)絡(luò)預(yù)測(cè)輸出與目標(biāo)值 例 216 利用線性網(wǎng)絡(luò)進(jìn)行自適應(yīng)預(yù)測(cè) 。 解 方法一： MATLAB程序如下 : ex2_16_1 70 執(zhí)行結(jié)果可得圖 227和圖 228。 圖 227 網(wǎng)絡(luò)待預(yù)測(cè)的目標(biāo)信號(hào) 圖 228網(wǎng)絡(luò)預(yù)測(cè)輸出與誤差 方法二： MATLAB程序如下 : ex2_16_2 71 執(zhí)行結(jié)果可得圖 229和圖 230。 圖 229 網(wǎng)絡(luò)待預(yù)測(cè)的目標(biāo)信號(hào) 圖 230 網(wǎng)絡(luò)預(yù)測(cè)輸出目標(biāo)信號(hào)與誤差 例 217 利用線性網(wǎng)絡(luò)預(yù)測(cè)一個(gè)時(shí)變信號(hào)序列 。 解 MATLAB程序如下 : ex2_17 72 BP神經(jīng)網(wǎng)絡(luò)工具箱函數(shù) MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中提供了大量的進(jìn)行BP網(wǎng)絡(luò)分析和設(shè)計(jì)的工具箱函數(shù) 。 在 MATLAB工作空間的命令行鍵入 “ help backprop”， 便可得到與BP神經(jīng)網(wǎng)絡(luò)相關(guān)的函數(shù) ， 進(jìn)一步利用 help命令又能得到相關(guān)函數(shù)的詳細(xì)介紹 。 表 24列出了這些函數(shù)的名稱和基本功能 。 73 表 24 BP網(wǎng)絡(luò)的重要函數(shù)和功能 函數(shù)名 功 能 tansig( ) 雙曲正切 S型 (tansigmoid)傳輸函數(shù) purelin( ) 線性 (Purelin)傳輸函數(shù) logsig( ) 對(duì)數(shù) S型 (logsigmoid)傳輸函數(shù) deltatan( ) Tansig神經(jīng)元的 delta函數(shù) deltalin( ) Purelin神經(jīng)元的 delta函數(shù) deltalog( ) Logsig神經(jīng)元的 delta函數(shù) learnbp( ) BP學(xué)習(xí)規(guī)則 learnbpm( ) 含動(dòng)量規(guī)則的快速 BP學(xué)習(xí)規(guī)則