神经网络算法.pptVIP

下载本文档

11
0
约5.32千字
约 38页
2017-02-13 发布于重庆
举报
版权申诉

神经网络算法.ppt

1、本文档共38页，可阅读全部内容。
2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
8、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

神经网络算法

* * 主讲：何仁斌实际应用问题 1、蠓虫的分类问题 2、DNA序列分类问题 3、癌症诊断问题 …… 神经网络算法简介感知器感知器(perceptron)是由美国科学家F.Rosenblatt于1957年提出的，其目的是为了模拟人脑的感知和学习能力。感知器是最早提出的一种神经网络模型。它特别适合于简单的模式分类问题，如线性可分的形式。神经网络算法简介以两个输入的单层感知器神经元为例 ∑ w(1,1) w(1,2) p(1) p(2) n a b w ——权重; b ——阈值如果设 w(1,1)=-1,w(1,2)=2,b=1 L -b/ w(1,2) -b/ w(1,1) wp+b0 a=1 wp+b0 a=0 单层感知器多层感知器 w(1,1) w(1,2) p1 p2 n a2 ∑ b1 ∑ b2 n1 a1 n2 a1 ∑ b1 w(2,1) w(2,2) 性能指标：均方误差达到最小涉及算法注意：单层感知器的局限性是：仅对线性可分问题具有分类能力。分类问题的MATLAB软件实现以蠓虫分类问题为例 % 输入向量 P=[1.24 1.36 1.38 1.38 1.38 1.4 1.48 1.54 1.56 1.14 1.18 1.2 1.26 1.28 1.3; 1.72 1.74 1.64 1.82 1.9 1.7 1.82 1.82 2.08 1.78 1.96 1.86 2.0 2.0 1.96]; % 目标向量 T=[1 1 1 1 1 1 1 1 1 0 0 0 0 0 0]; % 绘制输入向量 plotpv(P,T); 1）单层感知器 ∑ w(1,1) w(1,2) p(1) p(2) n a b % 建立一个感知器 net=newp([0 3;0 3],1); watchon; cla; % 绘制输入向量 plotpv(P,T); % 绘制分类线 linehandle=plotpc(net. IW {1},net. b {1}); E=1; % 初始化感知器 net=init(net); linehandle=plotpc(net. IW {1},net. b {1}); 分类问题的MATLAB软件实现分类问题的MATLAB软件实现 % 修正感知器网络 while(sse(E)) [net,Y,E]=adapt(net,P,T); linehandle=plotpc(net. IW {1},net. b {1},linehandle); drawnow; end; pause watchoff; % 利用训练好的感知器对未知类别样本进行分类 p=[1.24,1.28,1.4;1.8,1.84,2.04]; a=sim(net,p); plotpv(p,a); ThePoint=findobj(gca,type,line); set(ThePoint,Color,red); hold on; plotpv(P,T); plotpc(net. IW {1},net. b {1}); hold off; disp(End of percept) 分类问题的MATLAB软件实现分类结果： Af Apf 以上结果是图形化的结果，如下给出数值化的结果：mcfl1.m P=[1.24 1.36 1.38 1.38 1.38 1.4 1.48 1.54 1.56 1.14 1.18 1.2 1.26 1.28 1.3; 1.72 1.74 1.64 1.82 1.9 1.7 1.82 1.82 2.08 1.78 1.96 1.86 2.0 2.0 1.96]; % 目标向量 T=[1 1 1 1 1 1 1 1 1 0 0 0 0 0 0]; % 建立一个感知器 net=newp([0 3;0 3],1); % 网络训练次数 net.adaptParam.passes=100 net=adapt(net,P,T); %返回自适应的神经网络 % 输出仿真结果 Y=sim(net,P) % 利用训练好的感知器进行分类 p=[1.24,1.28,1.4;1.8,1.84,2.04]; a=sim(net,p) 仿真结果： Y = Columns 1 through 11 1 1 1 1 1 1 1 1 1 0 0 Columns 12 through 15 0 0 0 0 a = 1 1 1 准确率达到100%。 BP网络(Back-Propagation