神经网络的设计实训.docVIP

PAGE 第PAGE 28页/共 NUMPAGES 28页目 录 TOC \o 1-2 \f \h \z \u HYPERLINK \l _Toc362352913 1 感知器神经网络设计 PAGEREF _Toc362352913 \h 2 HYPERLINK \l _Toc362352914 1.1 问题描述 PAGEREF _Toc362352914 \h 2 HYPERLINK \l _Toc362352915 1.2 网络初始化 PAGEREF _Toc362352915 \h 2 HYPERLINK \l _Toc362352916 1.3 网络训练 PAGEREF _Toc362352916 \h 2 HYPERLINK \l _Toc362352917 1.4 网络测试 PAGEREF _Toc362352917 \h 3 HYPERLINK \l _Toc362352918 1.5 练习 PAGEREF _Toc362352918 \h 5 HYPERLINK \l _Toc362352919 2.BP神经网络的设计 PAGEREF _Toc362352919 \h 19 HYPERLINK \l _Toc362352920 2.1 问题描述 PAGEREF _Toc362352920 \h 19 HYPERLINK \l _Toc362352921 2.2 建立网络 PAGEREF _Toc362352921 \h 19 HYPERLINK \l _Toc362352922 2.3 网络训练 PAGEREF _Toc362352922 \h 20 HYPERLINK \l _Toc362352923 2.4 讨论 PAGEREF _Toc362352923 \h 21 HYPERLINK \l _Toc362352924 2.5 练习 PAGEREF _Toc362352924 \h 221 感知器神经网络设计1.1 问题描述首先给出一些已知样本点，假设它们的坐标点和类别都已确定，设计一个感知器网络，并利用这些已知的样本点来训练网络，使得对于以后任意给定的一些样本点，感知器神经网络都能尽可能正确将它们分类。已知给出的样本点及其类别，在坐标图中将它们表示出来，不同的类别使用不用的符号表示，如图1所示：%输入样本点及其相应的类别P = [-0.5 -0.5 0.3 -0.1 0.2 0.0 0.6 0.8; -0.5 0.5 -0.5 1.0 0.5 -0.9 0.8 -0.6];T = [1 1 0 1 1 0 1 0 ];%在坐标图上绘出样本点plotpv(P,T);图1 样本点的分布及其相应类别1.2 网络初始化使用newp函数建立感知器神经网络。该函数执行后返回一个新的感知器神经网络，传递函数在默认情况下为hardlim函数，学习函数在默认情况下为learnp函数。假设样本点取值在[-1,1]之间，而网络只有单个神经元，则有：%建立一个感知器网络net=newp([-1 1;-1 1],1);然后使用plotpc函数可以在已绘制的图上加上感知器分类线：handle=plotpc(net.iw{1},net.b{1});1.3 网络训练神经网络建立好之后，必须经过训练才能实际应用，通过训练，以决定网络的权值和阈值。训练过程为：对于给定的输入向量，计算网络的实际输出，并与相应的目标向量进行比较，得到误差e，然后根据相应的学习规则调整权值和阈值，重新计算网络在新的权值和阈值作用下的输出，重复上述过程，直到网络的输出与期望的目标向量相等或训练次数达到预期的最大次数时才停止训练。下面使用adapt函数训练网络：%利用样本点训练网络并绘出得到的分类线E=1;while (sse(E)), [net,Y,E]=adapt(net,P,T); handle=plotpc(net.iw{1},net.b{1},handle);end;图2 网络设计结果1.4 网络测试训练完成后，神经网络的权值和阈值就确定了，可以使用它解决实际问题。利用如下的一些测试样本点，输入到网络中，对样本点进行分类。分类结果如图3所示：%选择10个点来测试网络testpoints=[-0.5 0.3 -0.9 0.4 -0.1 0.2 -0.6 0.8 0.1 -0.4; -0.3 -0.8 -0.4 -0.7 0.4 -0.6 0.1 -0.5 -0.5 0.3];a=sim(net,testpoints);%在坐标图上绘出网络的分类结果及分类线figure;plotpv(testpoints,a);plotpc(net