神经计算基本方法(BP神经网络MATLAB仿真程序设计)例子.pptVIP

BP网络应用实例 i1=round((16-i)/2); ％计算转换图像的宽度与16的差距 j1=round((16—j)/2)’; ％计算转换图像的高度与16的差距 pI(i1+1:i1+I,j1+1:j1+j)=bwI;％将截取图像转换为标准的16X16的图像 p1=-1.*p1+ones(16,16)； ％反色处理 for m=0:15 P(m*16+1:m+1)*16,1)=p1(1:16,m+1);％形成测试样本输人向量 end BP网络应用实例 [a,Pf,Af]=sim(net,p); ％网络仿真 imshow(p1); ％显示测试样本图像 a=round(a) ％输出识别结果 BP网络应用实例 仿真结果表明，对于字体和字号与训练样本集相同的测试样本，元论图像中的数字在什么位置，都可以被100％地正确识别； 而对于字体和字号与训练样本集不同的测试样本，只有一部分能正确识别。为了提高识别率，可以增加训练样本，或通过其他途径（如增加字体的特怔向量）来解决，本书不再赘述。 BP网络应用实例 2．用于曲线拟台的BP网络 在实际应用中，住住希望产生一些非线性的输人输出曲线，且没有明确的函数关系，借助神经网络实现曲线拟合，可以很方便地解决这一问题。 例 5.3 已知某系统输出y与输人工的部分的对应关系如表巳1所示。设计-BP神经网络，完成 y=f(x)的曲线拟合。 BP网络应用实例 表5.1函数 y=f（x）的部分对应关系 以隐层节点数为15的单输人和单输出两层BP网络来实现其曲线拟合。 BP网络应用实例 例 5． 3创建和训练 BP网络的 MATLAB程序 ％Example53Tr clear all； p＝1:0.1:0.9; t=[-0.832 -0.423 -0.024 0.344 1.282 3.456 4.02 3.232 2.102 1.504… 0.248 1.242 2.344 3.262 2.052 1.684 1.022 2.224 3.022 1.984]; net=newff([-1 1],[15 1],{‘tansig’ purelin’},’traingdx’,’learngdm’); BP网络应用实例 net.trainParam. epochs=2500; net.trainParam. goal=0.001; net.trainParam. show=10; net.trainParam.lr=0.05; net=train(net,p,t); save E53net net; BP网络应用实例 训练结果如下： BP网络应用实例 训练的误差性能曲线如图5．23所示。 BP网络应用实例 例 5． 3 BP网络仿真的 MATLAB程序 ％Example53Sim clear all; p=-1:0.1:0.9; t=[-0.832 -0.423 -0.024 0.344 1.282 3.456 4．02 3.232 2.102 1.504… 0.248 1.242 2.344 3.262 2.052 1.684 1.022 2.224 3.022 1.9841]； hold on BP网络应用实例 plot(p,t,’*’)； load E53net net; p=-1:0.01:0.9; r=sim(net,p); plot(p,r); hold off BP网络应用实例 曲线拟合结果如图5.24所示。实线为得到的拟合曲线；“*”为训练样本。 从结果上看，可以对个训练样本进行很好的拟合，但拟合曲线欠光滑，出现了“过适配”现象。如果改用trainbr训练函数进行训练，则曲线拟合结果如图5.25所示，读者不妨自己试一试。 BP网络应用实例 图 5.24例 5.3的仿真结果 BP网络应用实例 图 5.25采用 trainbr训练的仿真结果 APWeb/WAIM2007 Huang Shan 2007-6-16 * BP网络应用实例 图 5.18例 5.1的训练性能曲线 BP网络应用实例 例 5．1网络仿真的 MATLAB程序 ％Example51Sim load net51 net; ％加载训练后的 BP网络 p=[1 2;-1 1;-2 1;-4 0]’ ％测试输人向量 a2=sim(net,pI); ％仿真输出结果 a2=a20.5