第二篇Matlab中的NN工具箱.ppt

中南大学 智能系统与智能软件研究所 第二章Matlab中的NN工具箱 感知器的函数应用 绘制样本点函数 plotpv 可以在坐标图中绘出已知给定的样本点与类别，调用格式 plotpv(X,T) X 、T分别为输入输出向量 如： X=[0 0 1 1;0 1 0 1];T=[0 1 1 1]; plotpv(X,T); 感知器的函数应用 感知器的函数应用 画出感知器分类线函数 plotpc 在输入空间中用一个平面或者直线画出分类的样本区域，调用格式 plotpc(w,b) 初始化函数 initp 可建立一个单层的感知器模型，调用格式 [W,b]=initp(R,S) R为输入个数，S为输出个数 [W,b]=initp(X,T) X 、T分别为输入输出向量 如： X=[0 0 1 1;0 1 0 1];T=[0 1 1 1]; [W,b]=initp(X,T); plotpv(X,T);plotpc(W,b); 感知器的函数应用 感知器训练函数 trainp 训练感知器模型，调用格式 [W,B,epochs,errors]= trainp(w,b,X,T,tp) w为权值，b为网络的阈值， X为初始输入向量，T为目标向量 tp＝[disp_freq,max_epoch]为训练控制参数，W与B为训练后权值与阈值 如： X=[0 0 1 1;0 1 0 1];T=[0 1 1 1]; [W,b]=initp(X,T);tp=[1 20]; [W,b,epochs,errors]= trainp(W,b,X,T,tp) plotpv(X,T);plotpc(W,b); 感知器的函数应用 感知器仿真函数 simup 训练感知器模型，调用格式 Y= simup(X,w,b); w为权值，b为网络的阈值， X为初始输入向量，Y为网络的实际输出向量 感知器的函数应用 X=[0 0 1 1;0 1 0 1];T=[0 1 1 1]; plotpv(X,T); [W,b]=initp(X,T); figure; plotpv(X,T); plotpc(W,b); figure; [W,b,epochs,errors]= trainp(W,b,X,T,-1); figure;ploterr(errors); X1=X;y=simup(X1,W,b); 建立感知器函数 net=newp(Xr,S,Tf,Lf) Xr为输入向量矩阵，S表示神经元个数， Tf表示激活函数，Lf为学习函数， net为生成的新感知器神经网络。 net=newp([-1 1;-1 1],1); Handle=plotpc(net.iw{1},net.b{1}); 神经网络的函数应用 初始化神经网络函数 利用该函数可以对一个已经存在的神经网络进行初始值修正，网络的权值与阈值是按照网络的初始化函数进行修正的，格式 net=init(NET); NET为初始化前的网络，net为初始化后的网络。 神经网络的函数应用 神经网络训练函数 这是一个通用的网络训练函数，训练函数重复的把一组输入向量应用到一个网络上，每次都更新网络，知道达到一个准则，停止训练的规则可能是最大学习步数，最小误差等，格式 [net，tr]=train(NET,X,T,Pi,Ai); NET为要训练的网络，X，T分别为输入向量与教师信号，Pi为初始输入延时，Ai表示层延时，net为训练后网络，tr表示训练步数和性能。 神经网络的函数应用 X=[-0.5 -0.5 0.3 -0.1 0.2 0 0.6 0.8;-0.5 0.5 -0.5 1 0.5 -0.9 0.8 -0.6]; T=[1 1 0 1 1 0 1 0]; net=newp([-1 1;-1 1],1); net.performFcn=mae; net.trainParam.goal=0.01; net.trainParam.epochs=50; net.trainParam.show=1; net.trainParam.mc=0.95; [net1,tr]=train(net,X,T); 神经网络的函数应用 神经网络的函数应用 神经网络的函数应用 神经网络的函数应用 BP网络的函数应用 bp网络的初始化函数 [W,B]=initff(Xr,S,’Tf’); [W1,B1, W2,B2]=initff(Xr,S1,’Tf1’,S2,’Tf2’); 例子： X=[s