人工神经网络设计作业.docVIP

人工神经网络设计作业 一、利用感知机神经网络完成真值表中的操作 设有一个M-P模型神经元有两个输入P1和P2，其输出为a，让其完成下列的真值表功能： P1 0 0 1 1 P2 0 1 0 1 a 0 1 1 1 1、具体的程序及其说明如下： clc P=[0 0 1 1;0 1 0 1];T=[0 1 1 1];%提供两组输入一组输出的训练集 C=[-2 3 -2 3];%设置坐标轴的范围 plotpv(P,T,C)%绘制样本点的坐标 pause; [R,Q]=size(P);%R个输入 [S,Q]=size(T);%S个输出 [W,B]=rands(S,R);%随机获得权值 plotpc(W,B)%绘制出初始的决策线 pause; A=hardlim(netsum(W*P,B));%计算感知器神经元的输出 E=T-A; SSE=sumsqr(E);%计算初始决策线的误差 for epoch=1:100 if(SSE==0)%若误差为零，画出决策线，并停止训练 plot(W,B,r-) disp(训练成功); break end [dW,dB]=learnp(P,A,T)%感知器的学习 W=W+dW;%修正权值 B=B+dB;%调整偏差 plotpc(W,B); %绘制决策线 pause; a=epoch(1); hold on A=hardlim(netsum(W*P,B));%计算感知器神经元输出 E=T-A;%计算误差 SSE=sumsqr(E); end A %输出最后的训练结果 a %输出训练次数 2、具体的训练过程如图所示： 3、训练结果： 训练结束后我们可知道A=[0 1 1 1]，训练次数a=4次。 二、利用BP网络逼近一个非线性函数 1、函数选择为指数衰减函数，隐层采用对数正切S型，输出层采用线性型，具体的程序及其说明如下： clc n=5;%隐层神经元的个数 lr=0.1;%学习率 mc=0.9;%动量因子 p=0:0.05:3; t=2*exp(-2.*p); [r,l]=size(p);%r输入层的维数 [s,l]=size(t);%s输出层的维数 w1=0.2*rand(n,r);%隐层的权值 deltaw1=zeros(n,r); B1=0.2*rand(n,1);%隐层的偏移量 deltaB1=zeros(n,1); w2=0.2*rand(s,n);%输出层权值 deltaw2=zeros(s,n); B2=0.2*rand(s,1);%输出层的偏移量 deltaB2=zeros(s,1); A1=tansig(w1*p,B1); A2=purelin(w2*A1,B2); plot(p,t,r+,p,A2,b:); xlabel(输入样本p);ylabel(输出样本t); axis([0 3 -1 2]) title([样本点和未经训练的曲线]); legend(样本点); pause; epoch=1;sse=1; for epoch=1:10000 %最大训练圈数为1000 w1=w1+deltaw1;%权值及其偏移量的调整 B1=B1+deltaB1; w2=w2+deltaw2; B2=B2+deltaB2; [A1,A2]=simuff(p,w1,B1,tansig,w2,B2,purelin); E=t-A2; sse(epoch)=sumsqr(E);%计算误差 if(sse(epoch)==0.001)%达到期望误差退出逼近 break end D2=deltalin(A2,E); D1=deltatan(A1,D2,w2); [deltaw2,deltaB2]=learnbpm(A1,D2,lr,mc,deltaw2,deltaB2); [deltaw1,deltaB1]=learnbpm(p,D1,lr,mc,deltaw1,deltaB1); if(sse(epoch)=0.001) break end end; epoch plot(p,t,r+,p,A2,b:); xlabel(输入样本p);ylabel(输出样本t); title([训练,num2str(epoch),次后的曲线]); legend(样本点); axis([0 3 -1 2]) pause FF=1:epoch; plot(FF,sse(FF),r-); xlabel(训练次数);ylabel(误差); title([SSE误差曲线]); pause; %泛化能力