智能信息處理技術實驗報告(編輯修改稿)
2025-08-21 10:42 本頁面
【文章內容簡介】 =[ 。 ]T=[1 1 1 0 0 1 1 1 0 0]plotpv(P,T)。net=newp([40 1。 1 50],1)。pause。plotpv(P,T)。linehandle=plotpc({1},{1})。cla。plotpv(P,T)。linehandle=plotpc({1},{1})。E=1。=1net=init(net)。linehandle=plotpc({1},{1})。while(sse(E)) [net,Y,E]=adapt(net,P,T)。 linehandle=plotpc({1},{1},linehandle)。 drawnow。end。pause。 p=[。]。a=sim(net,p)。plotpv(p,a)。 ThePoint=findobj(gca,39。type39。,39。line39。)。set(ThePoint,39。Color39。,39。red39。)。hold on。plotpv(P,T)。plotpc({1},{1})。hold off。pause。axis([2 2 2 2])。disp(39。End of percept339。)。 實驗二 BP感知器一、實驗目的。，利用它對輸入的數(shù)據(jù)進行分類。，使用BP算法對輸入數(shù)據(jù)進行分類。二、實驗原理由于硬限幅函數(shù)是非可微函數(shù),不能實現(xiàn)多層神經網絡的一種有效的LMS學習算法。而BP算法中所用到的是Sigmoid型函數(shù)，它既具有完成分類所需的非線性特性，又具有實現(xiàn)LMS算法所需的可微特性。采用S型函數(shù)的神經元的輸入和輸出之間的關系為 四、 實驗內容1．根據(jù)實驗內容推導出輸出的計算公式以及誤差的計算公式2．使用Matlab編程實現(xiàn)BP多層感知器3．調節(jié)學習率η及隱結點的個數(shù)，觀察對于不同的學習率、不同的隱結點個數(shù)時算法的收斂速度4．改用批處理的方法實驗權值的收斂，并加入動量項來觀察批處理以及改進的的算法對結果和收斂速度的影響。內容一程序如下：close all clear echo on clc pause clc P=[1, 1, 2, 1。 1, 4, 5, 3]。T=[0, 1, 1, 0]。pause。 clc net=newff(minmax(P),[3,1],{39。tansig39。,39。purelin39。},39。traingdm39。)inputWeights={1,1} inputbias={1} layerWeights={2,1} layerbias={2} pause clc = 50。 = 。 = 。 = 600。 = 1e9 。 pause clc [net,tr]=train(net,P,T)。 pause clc A = sim(net,P) E = T A MSE=mse(E) pause clc echo off figure。plot((1:4),T,39。*39。,(1:4),A,39。o39。)。figure。plot((1:4),T,39。*39。,(1:4),A,39。o39。)。實驗截圖： 內容二實驗程序：close all clear echo on clc pause clc P = [1::1]。 randn(39。seed39。,78341223)。 T = sin(2*pi*P)+*randn(size(P))。plot(P,T,39。+39。)。 echo off hold on。 plot(P,sin(2*pi*P),39。39
研究報告相關推薦
鄂ICP備17016276號-1