【正文】
差值的網(wǎng)絡(luò)進行訓(xùn)練,最后通過綜合因素的考慮來確定采用其中一個網(wǎng)絡(luò)。 BP網(wǎng)絡(luò)期望誤差的選取 版權(quán)所有 復(fù)制必究 2022 39 例 P128 BP網(wǎng)絡(luò)訓(xùn)練 多層感知器應(yīng)用實例 版權(quán)所有 復(fù)制必究 2022 40 Matlab 命令窗口輸入 “ Help 函數(shù)名” 可得到相關(guān)函數(shù)的詳細(xì)介紹; 補充:感知器神經(jīng)網(wǎng)絡(luò)工具箱函數(shù) 輸入 Demop1 利用具有 2個神經(jīng)元 的感知器實現(xiàn)對 5個 輸入數(shù)據(jù)的兩分類 0 . 8 0 . 6 0 . 4 0 . 2 0 0 . 2 0 . 4 0 . 61 0 . 500 . 511 . 5V e c t o r s t o b e C l a s s i f i e dP ( 1 )P(2)版權(quán)所有 復(fù)制必究 2022 41 補充:感知器神經(jīng)網(wǎng)絡(luò)工具箱函數(shù) 常用指令: P175 表 P180 例 % 感知器網(wǎng)絡(luò)實驗 X=[ 。 1 ] T=[1 1 0 1 1 0 1 0] [w,b]=initp(X,T) [w,b,epochs,erros]=trainp(w,b,X,T) Y=simup(X,w,b) testX=[ 。 ] y=simup(testX,w,b) figure plotpv(testX,y) plotpc(w,b) 版權(quán)所有 復(fù)制必究 2022 42 1 . 5 1 0 . 5 0 0 . 5 1 1 . 51 0 . 500 . 5V 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 2102 0101 5101 0105100105E p o c hSumSquared ErrorS u m S q u a r e d N e t w o r k E r r o r f o r 2 E p o c h s誤差曲線 分類結(jié)果 版權(quán)所有 復(fù)制必究 2022 43 補充: BP網(wǎng)絡(luò)工具箱函數(shù) BP網(wǎng)絡(luò)演示函數(shù) nnd11nf Network function demonstration. nnd11bc Backpropagation calculation demonstration. nnd11fa Function approximation demonstration. nnd11gn Generalization demonstration. BP網(wǎng)絡(luò)相關(guān)指令 P181 表 723 Initff Simuff Trainbpx 例 方法一 newff train Sim 例 方法二 過程: 輸入訓(xùn)練樣本 X, T; 利用相關(guān)指令初始化網(wǎng)絡(luò); initff。 newff 設(shè)置相關(guān)參數(shù);見 P189P190; P191 訓(xùn)練網(wǎng)絡(luò); trainbpx。train 查看訓(xùn)練結(jié)果; simuff。sim 輸入測試數(shù)據(jù); 查看仿真結(jié)果; simuff。sim 版權(quán)所有 復(fù)制必究 2022 44 狀態(tài)轉(zhuǎn)換器?)()(1kekx ?)()(2kekx ??)()(23kekx ??)(1kw)(2kw)(3kw)( ku?Plan t)1( ?ku++Super v ise d Hebb Le a rning Rule)( ku1?Z)( kr )( ke )( ky-K????????????????????????????????)()()()()1()()()()()1()()()()()1(|)(|)()()()1()(3332221113131kxkukzkwkwkxkukzkwkwkxkukzkwkwkwkwwkxkwKkukuDPIiiiiiii??? )()()(1 kzkekx ??)1()()()(2 ????? kekekekx)2()1(2)()()( 23 ??????? kekekekekx單神經(jīng)元 PID控制