ding神經(jīng)網(wǎng)絡(luò)ppt課件-資料下載頁(yè)
2025-01-05 03:23本頁(yè)面
【正文】 絡(luò)將樣本正確 地分成兩類(lèi) Neural Network Toolbox 感知器網(wǎng)絡(luò)訓(xùn)練結(jié)束后，可以利用函數(shù) sim進(jìn)行仿真， 解決實(shí)際的分類(lèi)問(wèn)題： p1=[。] a1=sim(,p1) p2=[。] a2=sim(,p2) p3=[。] a3=sim(,p3) 網(wǎng)絡(luò)仿真結(jié)果為： a1=0 a2=0 a3=0 線性神經(jīng)網(wǎng)絡(luò) ：線性神經(jīng)網(wǎng)絡(luò)的 主要用途 是線性逼近一個(gè)函數(shù) 表達(dá)式，具有聯(lián)想功能。另外，它還適用于信號(hào)處理濾波、預(yù) 測(cè)、模式識(shí)別和控制等方面。 R維輸入的單層 (包含 S個(gè)神經(jīng)元 )線性神經(jīng)網(wǎng)絡(luò)模型 線性神經(jīng)網(wǎng)絡(luò)權(quán)值和 闡值的 學(xué)習(xí)規(guī)則 采用 的是基于最小二乘原 理的 WidrowHoff學(xué) 習(xí)算法 BP神經(jīng)網(wǎng)絡(luò) ：主要用于函數(shù)逼近、模式識(shí)別、分類(lèi)以及數(shù)據(jù)壓縮 等方面 具有單隱層的 BP神經(jīng)網(wǎng)絡(luò)模型 輸入維數(shù)為 2，隱層含有 4個(gè)神經(jīng)元 幾種典型的快速 學(xué)習(xí)算法 性能的比較 徑向基函數(shù)網(wǎng)絡(luò) ：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(xué)習(xí)算法 常用的有兩種： 一種是無(wú)導(dǎo)師學(xué)習(xí)， 另一種便是有導(dǎo)師學(xué)習(xí) 競(jìng)爭(zhēng)學(xué)習(xí)網(wǎng)絡(luò) ： Kohoneo學(xué)習(xí)規(guī)則 模塊 c表示競(jìng)爭(zhēng) 傳遞 函數(shù) ，其輸出矢量 由競(jìng)爭(zhēng)層各神經(jīng)元 的輸出組成，除在 競(jìng)爭(zhēng)中獲勝的神經(jīng) 元外，其余神經(jīng)元 的輸出都為零。競(jìng) 爭(zhēng)傳遞函數(shù)輸入矢 量 n中的最大元素所 對(duì)應(yīng)的神經(jīng)元是競(jìng) 爭(zhēng)中的獲勝者，其 輸出固定為 1 E1man反饋網(wǎng)絡(luò) ：主要用于信號(hào)檢測(cè)和預(yù)測(cè)等方面 , 網(wǎng)絡(luò)在訓(xùn)練時(shí)采用基于誤差反向傳播算法的 學(xué)習(xí)函數(shù) ，如 trainlm、 trainbfg、 trainrp、 traingd等 模塊 D表示時(shí)延環(huán)節(jié) HopfieId反饋網(wǎng)絡(luò) ：主要用于聯(lián)想記憶、聚類(lèi)和優(yōu)化計(jì)算等方面， 神經(jīng)元 傳遞函數(shù) 為對(duì)稱(chēng)飽和線性函數(shù) satlins 模塊 表示時(shí)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(hù)界面 nntool ?AND function 輸入向量為： p= [0 0 1 1。0 1 0 1] 目標(biāo)向量為： t=[0 0 0 1] range p epochs=100 ?蠓蟲(chóng)：輸入向量為： p=[ 。 ] 目標(biāo)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(luò)仿真結(jié)果為： a1=0 a2=0 a3=0 例：感知器神經(jīng)網(wǎng)絡(luò)
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1