第22章 神网络工具箱.pptVIP

第22章 神经网络工具箱 人工神经网络，是对人类大脑系统的一阶特性的一种描述。它是一个数学模型，可以用电子线路来实现，也可以用计算机程序来模拟，是人工智能研究的一种方法。在人工神经网络的发展中，对生物神经系统从不同的角度进行了不同层次的描述和模拟，提出了各种各样的神经网络模型。 本章首先对人工神经网络的基本原理进行介绍，然后重点介绍了常用的感知器神经网络、线性神经网络、BP网络、径向基网络、概率神经网络等。人工神经网络发展迅速，已经广泛应用于许多领域。 22.1 人工神经网络概述 神经元网络的发展非常迅速，在许多的领域都有很广泛的应用。下面对神经元网络的基本理论进行介绍，然后介绍MATLAB的神经网络工具箱。 22.1.1 人工神经网络介绍 人工神经网络（artifical neural network，ANN）是在生物神经网络（biological neural network，BNN）的基础上发展起来的，是由大量处理单元广泛互联而成的网络，反映了人脑功能的基本特性。人工神经网络是对人脑的某种抽象、简化与模拟，是模拟人的智能的一种途径，但没有完全的真正反映大脑的功能。 神经元是神经网络的基本处理单元，一个简化的神经元是多输入、单输出的非线性元件。单个神经元的结构和功能都比较简单，但是大量简单神经元相互连接而成的非线性动态系统非常复杂，在自学习、自组织、联想及容错方面具有较强的能力。 22.1.2 人工神经元 神经细胞由细胞体、树突和轴突组成。树突由细胞体向各个方向长出，是用来接收信号的。轴突也有许多的分支，通过分支的末梢和其它神经细胞的树突相接触，形成突触。神经细胞通过轴突和突触把产生的信号送到其它神经细胞。 大脑的神经细胞只有两种状态：兴奋和抑制。神经细胞把所有从树突上突触进来的信号进行相加，如果全部信号的总和超过某个阀值，就会激发神经细胞进入兴奋状态，这时会有电信号通过轴突发送出去给其它神经细胞。如果信号总和没有达到阀值，神经细胞就不会兴奋。 22.1.3 MATLAB神经网络工具箱 MATLAB的神经网络工具箱，提供了大量的函数用于建立神经网络、网络的学习和训练，以及显示等。 在命令行窗口中输入：help nnet，查看神经网络工具箱的版本和函数。 22.2 感知器神经网络 美国学者Rosenblatt于1958年提出了一种神经网络模型，即感知器（Perception），其重要贡献是提出了一种感知器的训练算法。感知器可以用于模式分类。感知器神经网络在神经网络的研究中有着重要意义和地位，其学习算法的自组织、自适应思想，是神经网络学习算法的基础。 22.2.1 感知器神经网络 在MATLAB中，采用函数newp( )建立感知器神经网络，该函数的调用格式为：net=newp(P, T, TF, LF)，各个参数如下： net为建立的感知器网络。 P为R×2的矩阵，由R组输入向量的最大值和最小值组成。 TF为网络的传输函数，可以为hardlim或hardlims，默认为hardlim。 LF为网络的学习函数，可以为learnp或learnpn，默认为learnp。 22.2.2 设计实例分析 利用函数newp( )建立感知器网络，然后采用函数train( )对网络进行训练，采用函数sim( )对网络进行仿真。 在MATLAB中，采用函数plotpv( )绘制感知器的输入向量和目标向量。 在MATLAB中，采用函数plotpc( )在感知器向量图中绘制分界线。 22.3 线性神经网络 线性神经网络的学习算法比感知器神经网络的学习算法的收敛速度和精度都有很大的提高，主要用于函数逼近、信号预测、系统辨识和模式识别等。下面对线性神经网络进行介绍。 22.3.1 线性神经网络 在MATLAB中，采用函数newlin( )建立线性神经网络的一个线性层，利用该函数建立的线性神经网络还需要进行训练。 利用函数maxlinlr( )获取最大学习速率，然后采用函数newlin( )建立线性神经网络，并采用函数train( )对网络进行训练。最后采用函数sim( )对网络进行仿真。 22.3.2 设计实例分析 利用线性神经网络能够预测时变的信号序列，下面通过一个例子进行说明，通过函数newlind( )建立线性神经网络。 22.4 BP网络 BP网络是一种带有隐含层的多层前馈网络，在人工神经元网络的实际应用中，BP网络广泛用于函数逼近、模式识别、数据压缩等，BP网络或它的变化形式，体现了人工神经元网络最精华的部分。 22.4.1 BP网络介绍 多层前馈网络的反向传播学习算法，简称BP算法，由该算法训练的神经网络，称之为BP神经网络。 22.4.2 BP网络的创建 在MATLAB中，通过函数newcf( )创