人工神經(jīng)網(wǎng)絡(luò)蠕蟲分類問題-文庫吧資料
2025-06-15 22:19本頁面
【正文】 器增加 [Y,I]=min(ObjV)。%將子代插入到父代，得到新種群 X=bs2rv(Chrom,FieldD)。 ObjVSel=Objfun(X,P,T,hiddennum,P_test,T_test)。%重組 SelCh=mut(SelCh,pm)。xovsp39。,Chrom,FitnV,GGAP)。%分配適應(yīng)度值 SelCh=select(39。,gen)。%計(jì)算目標(biāo)函數(shù)值while genMAXGEN fprintf(39。%代計(jì)數(shù)器X=bs2rv(Chrom,FieldD)。%區(qū)域描述器Chrom=crtbp(NIND,PRECI*N)。1。repmat([1。repmat([。%變異概率trace=zeros(N+1,MAXGEN)。%代溝px=。%最大遺傳代數(shù)PRECI=10。%待優(yōu)化的變量的個(gè)數(shù)%%定義遺傳參數(shù)NIND=40。%輸入層到隱含層的權(quán)值的個(gè)數(shù)w2num=outputnum*hiddennum。%輸入層神經(jīng)元個(gè)數(shù)outputnum=size(T,1)。hiddennum=3。T4=t1(:,n2(4:6))。P4]39。P4=p1(n2(4:6),:)。T=[T1,T2]。T1=t1(:,n1(1:6))。t2=[zeros(1,6)。t1=[ones(1,9)。P=[P1。P1=p1(n1(1:6),:)。n1=randperm(size(p1,1))。,。,。p2=[,。,。,。,。,。 (5)引用文獻(xiàn)太少,且沒有對引用的內(nèi)容注明出處。 (2)你對人工神經(jīng)網(wǎng)絡(luò)的基本理論很清楚,說明你的基本功扎實(shí),自學(xué)能力很強(qiáng),以后要加強(qiáng)創(chuàng)造性學(xué)習(xí),比如寫些小論文； (3)排版非常很漂亮。 y0=sim(net,p) y=sim(net,x)最優(yōu)初始值和閥值：X= 最小誤差 err=測試樣本預(yù)測的結(jié)果：測試樣本的仿真誤差：訓(xùn)練樣本的仿真誤差：2測試樣本預(yù)測的結(jié)果：測試樣本的仿真誤差：訓(xùn)練樣本的仿真誤差：使用優(yōu)化后的權(quán)值與閥值對三個(gè)樣本預(yù)測的結(jié)果： 由此可見,屬于類；屬于類。 。 net = train(net,p,goal)。 = 1e10。 = 10。logsig39。logsig39。o39。h39。zeros(1,9),ones(1,6)]。 pr=minmax(p)。 p=[p1。 ,。,。 p2=[,。,。 ,。,。,。 理論分析也告訴我們：（1）的值依賴于初始值；（2）的值未必是全局最優(yōu)解；（3）序列收斂于的速度很慢，從而需要迭代很多次，原因在于學(xué)習(xí)效率的值要確保嚴(yán)格單調(diào)遞減，從而不能取得太大。這時(shí), 我們便認(rèn)定是局部極小值點(diǎn)。易見。 [這里要啰嗦一下: 其中；?？梢钥闯?，這里所提供的學(xué)習(xí)機(jī)制是元與元之間權(quán)的不斷調(diào)整，學(xué)習(xí)樣本中任何一個(gè)樣品所提供的信息，最終將包含在網(wǎng)絡(luò)的每一個(gè)權(quán)之中。這一算法的具體形式如下：對于隱單元到輸出單元的權(quán)而言，最速下降法給出的每一步的修正量是此處令 對輸入單元到隱單元的權(quán) 此處由（11）和（13）式可以看出，所有權(quán)的修正量都有如下形式，即 指標(biāo)對應(yīng)于兩個(gè)單元中輸出信號的一端，對應(yīng)于輸入信號的一端，或者代表或者代表。最速下降法是一種迭代算法，為求出 的（局部）極小，它從一個(gè)任取的初始點(diǎn)出發(fā)，計(jì)算在點(diǎn)的負(fù)梯度方向,這是函數(shù)在該點(diǎn)下降最快的方向；只要，就可沿該方向移動(dòng)一小段距離，達(dá)到一個(gè)新的點(diǎn),是一個(gè)參數(shù)，只要足夠小，定能保證。這里。實(shí)際上要精確地作到這一點(diǎn)是不可能的，只能希望實(shí)際輸出盡可能地接近理想輸出?，F(xiàn)在的問題是，如何找到一組適當(dāng)?shù)臋?quán)值，實(shí)現(xiàn)上面所設(shè)想的網(wǎng)絡(luò)功能。因?yàn)?，對于任何一個(gè)未知類別的樣品，只要將其觸角及翅膀長度輸入網(wǎng)絡(luò)，視其輸出模式靠近 亦或 ，就可能判斷其歸屬。還應(yīng)指出的是，對于任何一組確定的輸入，輸出是所有權(quán)的函數(shù)。如果，均已給定，那么，對應(yīng)于任何一組確定的輸入，網(wǎng)絡(luò)中所有單元的取值不難確定。這樣，除了神經(jīng)元的形式定義外，我們又給出了網(wǎng)絡(luò)結(jié)構(gòu)，其中只有中間層及輸出層的單元才對信號進(jìn)行處理；輸入層的單元對輸入數(shù)據(jù)沒有任何加工。中間一層稱為處理層或隱單元層，單元個(gè)數(shù)適當(dāng)選取，在本問題中，取三個(gè)就足夠了。圖中最下面單元，即由? 所示的一層稱為輸入層，用以輸入已知測量值。反饋網(wǎng)絡(luò)按對能量函數(shù)的極小點(diǎn)的利用來分類有兩種：第一類是能量函數(shù)的所有極小
教學(xué)教案相關(guān)推薦
鄂ICP備17016276號-1