神经网络分类实验.docVIP

实验一 利用神经网络进行分类（Outlier Input Vectors） 一个经过训练的2输入神经元对5个输入向量进行分类(2类)。结合一个例子给出步骤。 实验内容(说明：这里的许多参数都可以更改，希望大家能对这个程序的参数进行修改；同时也欢迎大家提问) 步骤一： 两个长度为5的向量构成输入样本矩阵P，行向量T为指导向量。利用PLOTPV画出这个向量的图像。例如： P = [-0.5 -0.5 +0.3 -0.1 -4; -0.5 +0.5 -0.5 +1.0 5]; T = [1 1 0 0 1]; plotpv(P,T);//plotpv函数利用感知器的输入向量和监督向量来画输入向量的图像 注意：在上面的式子中，4输入向量比5输入向量有更小的数量级，这个感知器必须把P中的5个输入向量分成两类（依赖于T）。 步骤二 建立神经网络 MATLAB提供函数newp来创建一个指定的感知器。第一个参数指定了期望的两个输入向量的取值范围，第二个参数指定了只有一个神经元。 net = newp([-40 1;-1 50],1); 注意：这个神经元的激励函数是hardlim函数，也就是阶越函数。取0，1两个值。Hardlim三函数，也就是阶越函数。取-1，1两个值。 第三步 添加神经元的初始化值到分类图 初始化的权值被设为0，因此任何输入都会给出同样的输出，并且分类线不会出现在这个图中，不用害怕，我们会继续训练这个神经网。 hold on linehandle = plotpc(net.IW{1},net.b{1});//plotpc函数用来画神经网络的分类线 第四步 训练感知器 Matlab提供了adapt函数来训练感知器，adapt函数返回一个新的能更好的执行分类、网络的输出、和误差的神经网络，这个划线函数允许网络从3个角度去调整，画分类线一直到误差为0为止。 E = 1;//E为误差 net.adaptParam.passes = 3; while (sse(E))//sse函数是用来判定误差E的函数 [net,Y,E] = adapt(net,P,T);//利用输入样本调节神经网net linehandle = plotpc(net.IW{1},net.b{1},linehandle);//画出调整以后的分类线 drawnow;//延迟一段时间 end 注意：这将会花费感知器的许多时间来训练。这对这样一个简单问题来说时间是非常长的。追究其原因在于outlier vector，尽管需要很长的训练时间，这个感知器仍然适当的学习并且被用于划分别的输入。 第5步 模拟sim SIM函数能被用来划分任何别的输入向量，例如划分一个输入向量[0.7; 1.2].这个新点的图像为红色，他将用来显示这个感知器如何把这个新点从最初的训练集取分开来。 p = [0.7; 1.2]; a = sim(net,p);//利用模拟函数sim计算出新输入p的神经网络的输出 plotpv(p,a); circle = findobj(gca,type,line); set(circle,Color,red); 打开Hold,以便于以前的图像不被删除。增加训练装置和分类线在图中。 hold on; plotpv(P,T); plotpc(net.IW{1},net.b{1}); hold off; axis([-2 2 -2 2]); 最后放大感兴趣的区域 这个感知器正确的区分了我们的新点(用红色表示)作为”zero”类(用圆圈表示)，而不是”one”类(用+号表示)，尽管需要比较长的训练时间，这个感知器仍然适当的进行了学习。想知道在outlier vectors的情况下如何减少训练时间，需要做实验一的优化实验Normalized Perceptron Rule 练习1 熟悉并理解plotpv,plotpc函数 The code below defines and plots the inputs and targets for a perceptron: p = [0 0 1 1; 0 1 0 1]; t = [0 0 0 1]; plotpv(p,t) The following code creates a perceptron with inputs ranging over the values in P, assigns values to its weights and biases, and plots the resulting classification line. net = newp(minmax(p),1); net.iw{1,1} = [-1.2 -0.5]; net.b{1} = 1; plotpc(net.iw{1,1},ne