matlab神经网络(20页).docVIP

Matlab神经网络工具箱 2010-7-21 今天学的是BP神经网络，首先看的是一个关于非线性函数逼近的例子，最后得出一个心得：在使用newff函数生成一个新的网络时，神经元的层数和每一层的神经元数会对结果造成不小的影响，一般都采用[n,1]的建立方法，其中n为隐层的神经元数，1为输出层的神经元数。 然后是做了一个识别系统，算是一个较大的神经网络，具体的代码解释和分析如下： [alphabet,targets]=prprob; [R,Q]=size(alphabet); [S2,Q]=size(targets); S1=10; [R,Q]=size(alphabet); [S2,Q]=size(targets); P=alphabet; net=newff(minmax(P),[S1,S2],{logsig,logsig},traingdx); net.LW{2,1}=net.LW{2,1}*0.01; net.b{2}=net.b{2}+0.01; 其中的proprob是matlab自带的一个生成字母表布尔值的函数。可以具体查看。 T=targets; net.performFcn=sse; net.trainParam.goal=0.1; net.trainParam.show=20; net.trainParam.epochs=5000; net.trainParam.mc=0.95; [net,tr]=train(net,P,T) 接下来首先进行无噪声训练。 netn.trainParam.goal=0.6; netn.trainParam.epochs=300; T=[targets targets targets targets]; for pass=1:10 ????????? P=[alphabet,alphabet,(alphabet+randn(R,Q)*0.1),(alphabet+randn(R,Q)*0.2)]; ????????? [netn,tr]=train(net,P,T); end 接下来是有噪声训练，采用随机数生成影响输入矩阵的方式。这里收敛的有点慢，在应用于其他系统的时候值得注意。 netn.trainParam.goal=0.1; netn.trainParam.epochs=500; netn.trainParam.show=5; P=alphabet; T=targets; [net,tr]=train(netn,P,T) 接下来还进行无噪声训练，可能是前面的逼近情况已经很了理想了，这里只用了0次循环。。。。。。 noise_range=0:.05:.5;?????????? %标准差范围 max_test=100;???????????????????????????????? %噪声信号总数 network1=[]; network2=[]; T=targets; for noiselevel=noise_range ?????????? errors1=0; ?????????? errors2=0; ?????????? for i=1:max_test ??????????????? P=alphabet+randn(35,26)*noiselevel; ??????????????? A=sim(net,P); AA=compet(A);?????????? ??????????????? errors1=errors1+sum(sum(abs(AA-T)))/2; ??????????????? An=sim(netn,P); ??????????????? AAn=compet(An); ??????????????? errors2=errors2+sum(sum(abs(AAn-T)))/2; ?????????? end network1=[network1 errors1/26/100]; network2=[network2 errors2/26/100]; end plot(noise_range,network1*100,--,noise_range,network2*100); plot(noise_range,network1*100,--,noise_range,network2*100,+); title(识别误差); xlabel(噪声指标); ylabel(不同的训练方式); legend(无噪声训练,有噪声训练); 以上是对系统性能的分析。 这里的compet函数从help上来更像是一个滤波函数，而sum函数则是用来求一个多维矩阵中各行列的和值。 noisyJ=alphabet(:,1)+randn(35,1)*0.2; plotch