Matlab toolbox相关指令.PPT

(c) Scott E Umbaugh, SIUE 2005 Multi-layer Perceptron Network (MLPNN) Structure of MLP NN Matlab toolbox相關指令 利用Matlab之Neural Network Toolbox中的函數newff來建構多層前饋式類神經網路，格式如下： Net=newff(PR,[Si],{TFi},BTF) PR是r個輸入元素的最大值與最小值組成之r x 2矩陣； Si是第 i 層之神經元的個數； TFi是第 i 層之神經元的激發函數； BTF是此網路之訓練方法 實習 5-4 save a1.txt a1 -ascii save a2.txt a2 -ascii save a3.txt a3 -ascii save b1.txt b1 -ascii save b2.txt b2 -ascii save b3.txt b3 -ascii 訓練資料800組 測試資料400組 驗證資料200組 Network training 類神經網路之建構、訓練與測試： (bptrain.m) %a1為訓練階段輸入資料點，2x800矩陣 %a2為驗證階段輸入資料點，2x400矩陣 %a3為測試階段輸入資料點，2x200矩陣 %b1為訓練階段目標輸出值，1x800矩陣 %a2為驗證階段目標輸出值，1x400矩陣 %a3為測試階段目標輸出值，1x200矩陣 Load data and construct network load a1.txt; load b1.txt; load a2.txt; load b2.txt; load a3.txt; load b3.txt; net=newff(minmax(a1),[10 10 1],{tansig,tansig,purelin},traincgf); net.inputweights{1,1}.initFcn=rands; net.biases{1}.initFcn=rands; net=init(net); %權重與偏權值之初始化 Set parameters and start training % 參數設定 net.trainParam.show=100; net.trainParam.lr=0.1; %學習速率 net.trainParam.mc=0; net.trainParam.epochs=5000; %迭代次數 net.trainParam.goal=0.01; % 誤差目標值 net=train(net,a1,b1); %訓練網路 wt=net.IW{1,1}; %訓練好之權重值與偏權值存入變數中 bias=net.b{1}; Use training data to simulate the trained network zh1=sim(net,a1); %將訓練好之網路拿來模擬 figure % 繪圖 plot3(a1(1,:),a1(2,:),zh1,rx,MarkerSize,6.5,LineWidth,1); hold on; plot3(a1(1,:),a1(2,:),b1,o,MarkerSize,6.5,LineWidth,1); axis([-4 4 -4 4 -20 5]); legend(網路輸出值,x,目標輸出值,0); xlabel(x); ylabel(y); zlabel(f(x,y)); grid on hold off Use testing data to simulate the trained network zh2=sim(net,a2); %將訓練好之網路拿來模擬 figure % 繪圖 plot3(a2(1,:),a2(2,:),zh2,rx,MarkerSize,6.5,LineWidth,1); hold on; plot3(a2(1,:),a2(2,:),b2,o,MarkerSize,6.5,LineWidth,1); axis([-4 4 -4 4 -20 5]); legend(網路輸出值,x,目標輸出值,0); xlabel(x); ylabel(y); zlabel(f(x,y)); grid on hold off Use verification data to simulate the trained network zh3=sim(net,a3); %將訓練好之網路拿來模擬 figure % 繪圖 plot3(a3(1,:),a3(2,:),zh3,rx,MarkerSize,6.5,LineWidth,1); hold on; plot3(a3(1,:),a3(2,:),b3,o,MarkerSiz