Matlab中种神经网络的使用示例.docVIP

Matlab中各种神经网络的使用示例 %通用BP神经网络 1 %通用径向基函数网络 2 %广义回归神经网络 4 %通用感应器神经网络 6 %通用BP神经网络 P=[-1 -1 2 2;0 5 0 5];t=[-1 -1 1 1];net=newff(minmax(P),[3,1],{tansig,purelin},traingd);%输入参数依次为:样本P范围,[各层神经元数目],{各层传递函数},训练函数%训练函数traingd--梯度下降法，有7个训练参数.%训练函数traingdm--有动量的梯度下降法,附加1个训练参数mc(动量因子，缺省为0.9)%训练函数traingda--有自适应lr的梯度下降法,附加3个训练参数:lr_inc(学习率增长比，缺省为1.05;% ?? ?? ?? ?? ??? lr_dec(学习率下降比，缺省为0.7);max_perf_inc(表现函数增加最大比，缺省为1.04)%训练函数traingdx--有动量的梯度下降法中赋以自适应lr的方法，附加traingdm和traingda的4个附加参数%训练函数trainrp--弹性梯度下降法,可以消除输入数值很大或很小时的误差，附加4个训练参数:% ?? ?? ?? ?? delt_inc(权值变化增加量，缺省为1.2);delt_dec(权值变化减小量，缺省为0.5);% ?? ?? ?? ?? delta0(初始权值变化，缺省为0.07);deltamax(权值变化最大值,缺省为50.0)% ?? ?? ?? ?? 适合大型网络%训练函数traincgf--Fletcher-Reeves共轭梯度法;训练函数traincgp--Polak-Ribiere共轭梯度法;%训练函数traincgb--Powell-Beale共轭梯度法%共轭梯度法占用存储空间小,附加1训练参数searchFcn(一维线性搜索方法,缺省为srchcha);缺少1个训练参数lr%训练函数trainscg--量化共轭梯度法,与其他共轭梯度法相比，节约时间.适合大型网络 ?? ?? ?? ?? ???% ?? ?? ?? ?? 附加2个训练参数:sigma(因为二次求导对权值调整的影响参数，缺省为5.0e-5);% ?? ?? ?? ?? ?? ?? ?? ?? ?? lambda(Hessian阵不确定性调节参数，缺省为5.0e-7)% ?? ?? ?? ?? 缺少1个训练参数:lr%训练函数trainbfg--BFGS拟牛顿回退法,收敛速度快,但需要更多内存,与共轭梯度法训练参数相同,适合小网络%训练函数trainoss--一步正割的BP训练法,解决了BFGS消耗内存的问题,与共轭梯度法训练参数相同%训练函数trainlm--Levenberg-Marquardt训练法,用于内存充足的中小型网络net=init(net);net.trainparam.epochs=300;?? %最大训练次数(前缺省为10,自trainrp后，缺省为100)net.trainparam.lr=0.05; ??? %学习率(缺省为0.01)net.trainparam.show=50; ??? %限时训练迭代过程(NaN表示不显示，缺省为25)net.trainparam.goal=1e-5; %训练要求精度(缺省为0)%net.trainparam.max_fail ??? 最大失败次数(缺省为5)%net.trainparam.min_grad ??? 最小梯度要求(前缺省为1e-10，自trainrp后，缺省为1e-6)%net.trainparam.time ?? ?? 最大训练时间(缺省为inf)[net,tr]=train(net,P,t); ??? %网络训练a=sim(net,P) ?? ?? ?? ?? ??? %网络仿真 %通用径向基函数网络 %其在逼近能力,分类能力,学习速度方面均优于BP神经网络%在径向基网络中,径向基层的散步常数是spread的选取是关键%spread越大,需要的神经元越少,但精度会相应下降,spread的缺省值为1%可以通过net=newrbe(P,T,spread)生成网络,且误差为0%可以通过net=newrb(P,T,goal,spread)生成网络,神经元由1开始增加,直到达到训练精度或神经元数目最多为止%GRNN网络,迅速生成广义回归神经网络(GRNN)P=[4 5 6];T=[1.5 3.6 6.7];net=newgrnn(P,T);%仿真验证p=4.5;v=sim(net,p)%PNN网络,概率神经网络P=[0 0 ;