原创力文档- 1、本文档共11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
查看更多
02线性神经网络.pdf
线性神经网络
一、例子部分
1、为了测定刀具的磨损速度，做这样的实验：经过一定时间（如每隔一小时），测量一次刀
具的厚度，得到一组实验数据如下：
时间 0 1 2 3 4 5 6 7
刀具厚度 27.0 26.8 26.5 26.3 26.1 25.7 25.3 24.8
试根据上面的实验数据建立一个大体合适的神经网络。
解：
t=[0 1 2 3 4 5 6 7];
y=[27.0 26.8 26.5 26.3 26.1 25.7 25.3 24.8];
plot(t,y, *);
net=newlind(t,y); %根据t和y设计一个具有最小均方误差的线性神经网络
O=sim(net,t); %用输入t来仿真该网络
plot(t,O,t,y,*);
e=y-O %期望输出-实际输出
mse = mse(y-O) %网络的均方误差值
w=net.iw{1,1} %权值
b=net.b{1,1} %阈值
时间 0 1 2 3 4 5 6 7
期望输出 27.0 26.8 26.5 26.3 26.1 25.7 25.3 24.8
实际输出 27.13 26.82 26.52 26.21 25.91 25.61 25.30 25.00
偏差 -0.13 -0.02 -0.02 0.09 0.19 0.09 -0.00 -0.20
网络权值：-0.3036 网络阈值：27.1250 网络均方误差：0.0135
- 1 -
所拟合的直线：y=-0.3036*t+27.1250
2、已知一输入信号 T=sin(time*pi)(T=cos(time*pi)),其中 time=0:0.1:5，构建一个
神经网络，利用该组信号的 5个过去值预测信号的将来值。
解：
clc;%清空命令窗口
clear;%清空内存
time=0:0.1:5;
T=sin(time*pi);% T=cos(time*pi)
Q=length(T);
X=zeros(5,Q);%X 中存储信号 T 的前 5 次值，作为网络输入。
X(1,2:Q)=T(1,1:(Q-1));
X(2,3:Q)=T(1,1:(Q-2));
X(3,4:Q)=T(1,1:(Q-3));
X(4,5:Q)=T(1,1:(Q-4));
X(5,6:Q)=T(1,1:(Q-5));
plot(time,T);%绘制信号 T 曲线
xlabel(时间);
ylabel(目标信号);
title(待预测信号 );
net=newlind(X,T);
O=sim(net,X);
figure;
plot(time,T,time,O, r);
xlabel(时间);
- 2 -
ylabel(输出-目标);
title(输出信号和目标信号 );
- 3 -
e=T-O;
mse = mse(T-O)
w = net.iw{1,1}
b = net.b{1,1}
- 4 -
figure;
plot(time,e);
（1）预测T=sin(time*p)信号的神经网络
网络权值：1.8808 -0.9808 -0.0021 0.0161 -0.0193
- 5
文档评论（0）