MATLAB基础 神经网络应用.pptVIP

除了需要输入A,B,{C},’trainfun’外，还有些默认的参数可修改，如下表 可修改参数 参数名 功能 缺省值 net.trainParam.goal 目标函数设定值 0 net.trainParam.epochs 最大迭代次数 100 net.trainParam.show 显示中间结果的周期 25 net.trainParam.lr 整批学习的学习效率 0.01 net.trainParam.mc 势能学习规则traingdm的势能率 0.9 注：不同版本Matlab的可修改参数列表可能不同。 [ net, tr, Y1, E ] = train ( net, X, Y ) 2. 网络训练 网络训练 训练跟踪信息 训练后网络 网络实际输出 误差矩阵 网络训练函数 未经训练网络 网络实际输入 网络应有输出 X为n×M矩阵，为输入数据矩阵，M为样本的组数。Y为 m×M矩阵，为输出数据矩阵。 训练结束后，对新的输入点数据X2，调用sim函数进行泛化，得出这些输入点处的输出矩阵Y2. 数据泛化 Y2=sim(net,X2) 用经过训练的网络对于不是样本集的输入，计算出相应的输出。 什么是数据泛化？ 3. 数据泛化 例7-1 由下面的语句生成一组数据 x 和 y，用神经网络进 行数据拟合 x=0:.1:10; y=0.12*exp(-0.213*x)+0.54*exp(-0.17*x).*sin(1.23*x); 可知(x, y)是曲线上的点。 x=0:.1:10; y=0.12*exp(-0.213*x)+0.54*exp(-0.17*x).*sin(1.23*x); net=newff([0,10],[5,1],{tansig,tansig}); net.trainParam.epochs=1000; net=train(net,x,y); x0=0:.1:10; figure(1) y1=sim(net,x0); plot(x,y,o, x0,y1,r) nntool命令产生神经网络图形交互界面如下 二、 神经网络交互式界面 第三部分 应用实例 实例1. 蠓虫分类问题的神经网络方法（1989年MCM竞赛题目 ） 生物学家试图对两种蠓虫（Af与Apf）进行鉴别，依据的资料 是触角和翅膀的长度，已经测得9只Af和6只Apf的数据如下： 9只Af 触角长：1.24 1.36 1.38 1.38 1.38 1.40 1.48 1.54 1.56 翅膀长：1.72 1.74 1.64 1.82 1.90 1.70 1.82 1.82 2.08 6只Apf 触角长：1.14 1.18 1.20 1.26 1.28 1.30 翅膀长：1.78 1.96 1.86 2.00 2.00 1.96 问题：（1）如何凭借原始资料(15 对数据,被称之为学习样本)制定一种方法,正确区分两类蠓虫; （2）依据确立的方法,对以下三个样本： (1.24,1.80)，(1.28,1.84)，(1.40,2.04)加以识别 解法一：建立两层前向神经网络如下： 隐层节点可适量选取（没有具体标准）。X= 为输入矩阵， x1对应于触角长， x2 对应于翅膀长。Y= 为输出矩阵 规定Af对应的应有输出为 ， Apf对应的应有输出为 输 入 层 隐 层 输 出 层 以上神经网络模型的MATLAB程序如下： x=[1.24 1.36 1.38 1.38 1.38 1.40 1.48 1.54 1.56 1.14 1.18 1.20 1.26 1.28 1.30; 1.72 1.74 1.64 1.82 1.90 1.70 1.82 1.82 2.08 1.78 1.96 1.86 2.00 2.00 1.96]; %原始数据 x=x-1.1; %数据标准化 y=[0 0 0 0 0 0 0 0 0 1 1 1 1 1 1;1 1 1 1 1 1 1 1 1 0 0 0 0 0 0]; %应有的输出 net=newff([0,1;0 1],[5,2],{tansig,tansig}); %建立两层前向神经网络 %net.trainParam.goal=0.0000001; %设定训练误差 net.trainParam.epochs=2000; %设定最大训