MATLAB神经网络工具箱中的神经网络模型.pptVIP

阈值向量b(t) 标量元素 ,i为行,t为时间或迭代函数 网络层符号 加权和: ,m为第m个网络层, 为第 个神经元,n为加权和 网络层输出: , m为第m个网络层, 为第 个神经元,a为输出 输入层权值矩阵 ,网络层权值矩阵 ,其中,上标k,l表示第l个网络层到第k个网络层的连接权值矩阵向量 例: 表示输入向量的第R个输入元素到输入层的第 个神经元的连接权. 表示…… 表示… 第i个网络层的第 个神经元的阈值 例: n1为第一层神经元的中间运算结果,即连接权向量与阈值向量的加权和,大小为 ,即 a1为第一层神经元的输出向量,大小为 , 神经网络的层数为神经元网络层的数目加1,即隐层数目加1. 多层神经网络结构 多层网络简化形式 图中: 说明: 输入层神经元的个数决定IW的行数,输入向量元素的个数决定IW的列数,即S1行R列. 4.公式和图形中的变量符号在编程代码中的表示方法 细胞矩阵:将多个矩阵向量作为细胞矩阵的”细胞”(Cell),细胞矩阵的各个元素值为对应细胞的大小和数值类型 , , 访问元素:m{1}=n{1,1}= m{2}=n{2,1}= n{2,1}(4)=5 变量符号在MATLAB中的表示 (1)上标变量以细胞矩阵(Cell array)即大括号表示p1={1} (2)下标变量以圆括号表示, p1=p(1), , 例: = 神经网络工具箱常用函数列表 重要的感知器神经网络函数： 初始化： initp 训练： trainp 仿真： simup 学习规则： learnp 线性神经网络函数 初始化： initlin 设计： solvelin 仿真： simulin 离线训练： trainwh 在线自适应训练： adaptwh 学习规则： learnwh BP网络函数： initff： 初始化不超过3层的前向网络； simuff：仿真不超过3层的前向网络； trainbp，trainbpx，trainlm：训练BP trainbp：最慢； trainbpx：次之； trainlm：速度最快，但需要更多的存储空间。 learnbp： 学习规则 自组织网络 初始化：initsm 仿真： simuc 训练： trainc：利用竞争规则训练 trainsm：利用Kohonen规则训练 反馈网络（Hopfield网络） 仿真： simuhop 设计： solvehop solvehop 设计Hopfield网络 solvelin 设计线性网络 rands 产生对称随机数 learnbp 反向传播学习规则 learnh Hebb学习规则 learnp 感知层学习规则 learnwh Widrow－Hoff学习规则 initlin 线性层初始化 initp 感知层初始化 initsm 自组织映射初始化 plotsm 绘制自组织映射图 trainbp 利用反向传播训练前向网络 trainp 利用感知规则训练感知层 trainwh 利用Widrow－Hoff规则训练线性层 trainsm 利用Kohonen规则训练自组织映射 神经网络例子 创建线性神经网络层 net = newlin([1 3;1 3],1); net.IW{1,1} = [1 2]; net.b{1} = 0; 设有数据集由4个向量组成 p1=[1 2]’ p2= [2 1]’ p3=[2 3]’ p4=[3 1]’ P=[1 2 2 3;2 1 3 1] A = sim(net,P) A = 5 4 8 5 例2:See P14 in textbook 例3:See P39 例4: See P40 MATLAB神经网络工具箱中的神经网络模型 神经网络工具箱简介 MATLAB 7对应的神经网络工具箱的版本为Version 4.0.3,它以神经网络理论为基础,利用MATLAB脚本语言构造出典型神经网络的激活函数,如线性、竞争性和饱和线性等激活函数，使设计者对所选定网络输出的计算变成对激活函数的调用。 还可根据各种典型的修正网络权值规则，加上网络的训练过程，利用MATLAB编写出各种网络设计和训练的子程序，用户根据自己的需要去调用。 神经网络工具箱的主要应用 函数逼近和模型拟合 信息处理和预测 神经网络控制 故障诊断 应用神经网络工具箱求解问题的一般过程 确定信息表达方式 数据样本已知 数据样本之间相互