ding神經(jīng)網(wǎng)絡ppt課件-資料下載頁
2025-01-05 03:23本頁面
【正文】 絡將樣本正確 地分成兩類 Neural Network Toolbox 感知器網(wǎng)絡訓練結束后，可以利用函數(shù) sim進行仿真， 解決實際的分類問題： p1=[。] a1=sim(,p1) p2=[。] a2=sim(,p2) p3=[。] a3=sim(,p3) 網(wǎng)絡仿真結果為： a1=0 a2=0 a3=0 線性神經(jīng)網(wǎng)絡 ：線性神經(jīng)網(wǎng)絡的 主要用途 是線性逼近一個函數(shù) 表達式，具有聯(lián)想功能。另外，它還適用于信號處理濾波、預 測、模式識別和控制等方面。 R維輸入的單層 (包含 S個神經(jīng)元 )線性神經(jīng)網(wǎng)絡模型 線性神經(jīng)網(wǎng)絡權值和 闡值的 學習規(guī)則 采用 的是基于最小二乘原 理的 WidrowHoff學 習算法 BP神經(jīng)網(wǎng)絡 ：主要用于函數(shù)逼近、模式識別、分類以及數(shù)據(jù)壓縮 等方面 具有單隱層的 BP神經(jīng)網(wǎng)絡模型 輸入維數(shù)為 2，隱層含有 4個神經(jīng)元 幾種典型的快速 學習算法 性能的比較 徑向基函數(shù)網(wǎng)絡 ：模型中 采用高斯函數(shù) radbas作為 徑向基神經(jīng)元的 傳遞函數(shù) ； 學習算法 常用的有兩種： 一種是無導師學習， 另一種便是有導師學習 競爭學習網(wǎng)絡 ： Kohoneo學習規(guī)則 模塊 c表示競爭 傳遞 函數(shù) ，其輸出矢量 由競爭層各神經(jīng)元 的輸出組成，除在 競爭中獲勝的神經(jīng) 元外，其余神經(jīng)元 的輸出都為零。競 爭傳遞函數(shù)輸入矢 量 n中的最大元素所 對應的神經(jīng)元是競 爭中的獲勝者，其 輸出固定為 1 E1man反饋網(wǎng)絡 ：主要用于信號檢測和預測等方面 , 網(wǎng)絡在訓練時采用基于誤差反向傳播算法的 學習函數(shù) ，如 trainlm、 trainbfg、 trainrp、 traingd等 模塊 D表示時延環(huán)節(jié) HopfieId反饋網(wǎng)絡 ：主要用于聯(lián)想記憶、聚類和優(yōu)化計算等方面， 神經(jīng)元 傳遞函數(shù) 為對稱飽和線性函數(shù) satlins 模塊 表示時延環(huán)節(jié) D Transfer Functions、 Training Functions 、 Learning Functions Network Use Functions Neural Network Toolbox Graphical Interface Functions 圖形用戶界面 nntool ?AND function 輸入向量為： p= [0 0 1 1。0 1 0 1] 目標向量為： t=[0 0 0 1] range p epochs=100 ?蠓蟲：輸入向量為： p=[ 。 ] 目標向量為： t=[1 1 1 1 1 1 1 1 1 0 0 0 0 0 0] range[0 。0 ] epochs=1000 p1=[。] a1=sim(,p1) p2 =[。] a2=sim(,p2) p3=[。] a3=sim(,p3) 網(wǎng)絡仿真結果為： a1=0 a2=0 a3=0 例：感知器神經(jīng)網(wǎng)絡
教學課件相關推薦
鄂ICP備17016276號-1