神经网络仿真.pptVIP

3.6 MATLAB神经网络工具箱的使用 2、利用MATLAB提供的神经网络工具箱函数 1、利用神经网络工具箱的图形界面 1、利用神经网络工具箱的图形界面 在MATLAB命令窗口输入nntool，即可打开网络/数据管理器窗口。 窗口有7个显示区域和2个按钮区 （1）Inputs区域 显示输入向量变量名 （2）Targets区域 显示目标向量变量名 （4）Networks 区域 显示用户定义的 网络名 （3）Input Delay States 区域 显示输入延迟参数变量名 （5）Outputs区域 显示输出向量变量名 （6）Errors区域 显示网络训练误差变量名 （7）Layer Delay States 区域 显示网络层延迟参数变量名 7个显示区域 2个按钮区 （1）Networks and Data 按钮（包含7个按钮） （2）Networks only按钮 -4 -3 -2 -1 0 1 2 1 P1 P2 例1：利用前向传播神经网络实现对下图进行分类。 网络结构: 2个输入， 5个隐含层神经元(第一层) , 1个输出神经元(第二层) 激活函数：对数函数logsig 训练样本集为： 1、创建神经网络 输入网络名：fenlei 选择网络类型：Feed-forward backprop(前向网络） 输入向量的取值范围：[-4 1;0 2] 选择训练函数:TRAINLM 选择学习函数：LEARNGDM 选择误差性能函数:MSE（均方差） 确定网络层数：2 确定各网络层的属性： Layer1: 神经元数：5 传输函数： logsig Layer2: 神经元数：1 传输函数： logsig 单击“View”查看网络结构 单击“Create”按钮，关闭窗口，回到数据管理器窗口，可看见网络名“fenlei” 2、训练网络 ①确定训练样本的输入向量， 单击New Data …按钮 ②确定训练样本的目标向量 t=[0.2 0.8 0.8 0.2] ③训练网络 在数据管理器窗口，选中网络名，单击“Train…”， 弹出： 单击“Train network”,开始训练 训练完成后，在数据管理器窗口，选中变量名，可以 查看变量的具体数据 3、网络仿真 在数据管理器窗口，选中网络名，单击 “Simulate”, 按下图选择后，单击 “Simulate Network” 在数据管理器窗口，选中变量a，单击“View”查看仿真结果 题目1：利用多层前向传播神经网络来逼近非线性函数y=0.5(1+cosx) 网络结构:1个输入神经元，1个输出神经元、 6个隐含层神经元。 激活函数：双曲正切函数tansig 样本x：20点，x=2πi／20，i=0,1……,19 x=2*pi*i/20;i=[0:19]; %定义目标 t=0.5*(1+cos(x)); %绘制此函数曲线 plot(x,t,-); xlabel(time(s)); ylabel(非线线函数); title(要逼近的非线线函数); 2、利用MATLAB提供的神经网络工具箱函数 %建立神经网络 n=6; net=newff(minmax(x),[n 1],{tansig,tansig}, trainlm); y1=sim(net,x); figure; plot(x,t,-,x,y1,--); xlabel(time(s)); ylabel(仿真输出-- 原函数-); title(未训练网络的输出结果); %用理想样本训练神经网络 net.trainParam.goal=0.001; %训练目标误差 net.trainParam.epochs=2000; %训练时间 [net1,tr]=train(net,x,t); %训练神经网络 %测试 y2=sim(net1,x); figure; plot(x,t,-,x,y1,--,x,y2,--); xlabel(time(s)); ylabel(仿真输出); title(训练后网络的输出结果); 题目2：编写一个利用前向传播神经网络进行字符识别的程序。假设神经网络为具有一个隐含层的BP网络，需要识别的字符有A、I、O，其输入为4×4个象素的扫描输入。 目标输出分别为A=（1，0，0），I=（0，1，1）， O=（0，0，1），网络为16个输入节点、3个输出节点、9个隐含层节点。利用所编程序完成训练后