matlab神經網絡工具箱(編輯修改稿)
2025-06-21 22:54 本頁面
【文章內容簡介】 ep 2 建立神經網絡 畫輸入向量的圖像 MATLAB提供函數(shù) newp來創(chuàng)建一個指定的感知器。第一個參數(shù)指定了期望的兩個輸入向量的取值范圍，第二個參數(shù)指定了只有一個神經元。 = newp([40 1。1 50],1)。 注意：這個神經元的傳遞函數(shù)是 hardlim函數(shù)，也就是階躍函數(shù)。取 0， 1兩個值。Hardlims函數(shù)，取 1， 1兩個值。 實驗一 利用感知器進行分類 (2) 添加神經元的初始化值到分類圖 Step3 初始化的權值被設為 0，因此任何輸入都會給出同樣的輸出，并且分類線不會出現(xiàn)在這個圖中，不用害怕，我們會繼續(xù)訓練這個神經網。 hold on linehandle = plotpc({1},{1})。 //plotpc函數(shù)用來畫分類線 訓練神經網絡 Step4 Matlab提供了 adapt函數(shù)來訓練感知器， adapt函數(shù)返回一個新的能更好的執(zhí)行分類、網絡的輸出、和誤差的神經網絡，這個劃線函數(shù)允許網絡從 3個角度去調整，畫分類線一直到誤差為 0為止。 E = 1。 //E為誤差 = 3。 //決定在訓練過程中重復次數(shù) while (sse(E)) //sse函數(shù)是用來判定誤差 E的函數(shù) [,Y,E] = adapt(,P,T)。 //利用輸入樣本調節(jié)神經網 linehandle = plotpc({1},{1},linehandle)。/ /畫出調整以后的分類線 drawnow。 //延遲一段時間 end 實驗一 利用感知器進行分類 (3) Step 5 模擬 sim sim函數(shù)能被用來劃分任何別的輸入向量，例如劃分一個輸入向量 [。 ].這個新點的圖像為紅色，他將用來顯示這個感知器如何把這個新點從最初的訓練集取分開來。 p = [。 ]。 a = sim(,p)。 //利用模擬函數(shù) sim計算出新輸入 p的神經網絡的輸出 plotpv(p,a)。 circle = findobj(gca,39。type39。, 39。line39。)。 set(circle,39。Color39。,39。red39。)。 打開 hold,以便于以前的圖像不被刪除。增加訓練裝置和分類線在圖中。 hold on。 plotpv(P,T)。 plotpc({1},{1})。 hold off。 axis([2 2 2 2])。 這個感知器正確的區(qū)分了我們的新點 (用紅色表示 )作為” zero”類 (用圓圈表示 )，而不是” one”類 (用 +號表示 )，盡管需要比較長的訓練時間，這個感知器仍然適當?shù)倪M行了學習。最后放大感興趣的區(qū)域。 BP網絡 ? 多層前饋網絡 ? 主要功能 : 函數(shù)逼近 , 模式識別 , 信息分類 ? 傳遞函數(shù) :隱層采用 S形函數(shù) ,輸出層 S形函數(shù)或線性函數(shù) BP網絡的生成 newff 函數(shù) newff用來生成一個 BP網絡 =newff(PR,[S1 S2...SN],{TF1 TF2... TFN},BTF,BLF,PF) PR: 一個 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層的神經元個數(shù) TFi: 第 i層的傳遞函數(shù) , 默認為 tansig BTF: 訓練函數(shù) , 默認為 trainlm BLF: 學習函數(shù) , 默認為 learngdm PF: 性能函數(shù) , 默認為 mse =newff([0,10。1,2],[5,1],{‘tansig’,’purelin’},’trainlm’)。 %生成一個兩層 BP網絡 ,隱層和輸出層神經的個數(shù)為 5和 1, 傳遞函數(shù)分別為tansig和 purelin, 訓練函數(shù)為 trainlm, 其他默認 BP網絡的初始化 newf
范文總結相關推薦
鄂ICP備17016276號-1