matlab经网络工具箱简介和函数及示例.pptVIP

* * * * * * * * 传递函数又称为激活函数 * * * 人 工 智 能 光电学院 常敏 E-mail：changmin@usst.edu.cn changmin@yahoo.cn 第十一章 神经网络工具箱函数 MATLAB的神经网络工具箱简介 构造典型神经网络的激活函数，使设计者对所选网络输出的计算变成对激活函数的调用。 根据各种典型的修正网络权值的规则，再加上网络的训练过程，利用matlab编写各种网络设计和训练的子程序。 设计人员可以根据自己的需要去调用工具箱中有关的设计和训练程序，将自己从繁琐的编程中解脱出来，提高工作效率。 神经网络工具箱函数 神经网络函数 权值函数 网络的输入函数 传递函数 初始化函数 性能函数 学习函数 自适应函数 训练函数 神经网络函数newff 功能： Create a feed-forward backpropagation network 格式： net = newff(PR,[S1 S2...SNl],{TF1...TFNl},BTF,BLF,PF) 例子1: help newff 以一个单隐层的BP网络设计为例，介绍利用神经网络工具箱进行BP网络设计及分析的过程 1. 问题描述 P=[-1:0.1:1]; T=[-0.9602 -0.577 -0.0729 0.3771 0.6405 0.6600 0.4609 0.1336 -0.2013 -0.4344 -0.5000 -0.3930 -0.1647 0.0988 0.3072 0.3960 0.3449 0.1816 -0.0312 -0.2189 -0.3201]; 通过对函数进行采样得到了网络的输入变量P和目标变量T： 例子2:设计一个隐含层神经元数目神经元个数 2. 网络的设计 网络的输入层和输出层的神经元个数均为1，网络的隐含神经元个数应该在3~8之间。 网络设计及运行的代码： s=3:8; res=1:6; for i=1:6; net=newff(minmax(P),[s(i) 1],{‘tansig‘ ‘logsig’},traingdx); net.trainParam.epochs=2000; net.trainParam.goal=0.001; net=train(net,P,T) y=sim(net,P) error=y-T; res(i)=norm(error); end 代码运行结果： 网络训练误差 结论：隐含层节点设为8 BP网络训练步骤 步骤1: 初始化 步骤2:计算网络各层输出矢量 步骤3:计算网络各层反向传播的误差变化,并计算各 层权值的修正值及修正值 步骤4:再次计算权值修正后的误差 平方和 步骤5:检查误差 平方和是否小于 误差期望值,若是,停止训练,否则继续. 目前，神经网络工具箱中提供的神经网络模型主要应用于： 函数逼近和模型拟合 信息处理和预测 神经网络控制 故障诊断 神经网络实现的具体操作过程： 确定信息表达方式； 网络模型的确定； 网络参数的选择； 训练模式的确定； 网络测试 确定信息表达方式： 将领域问题抽象为适合于网络求解所能接受的某种数据形式。 问题形式的种类： 数据样本已知； 数据样本之间相互关系不明确； 输入/输出模式为连续的或者离散的； 输入数据按照模式进行分类，模式可能会具有平移、旋转或者伸缩等变化形式； 数据样本的预处理； 将数据样本分为训练样本和测试样本 网络模型的确定 主要是根据问题的实际情况，选择模型的类型、结构等。另外，还可以在典型网络模型的基础上，结合问题的具体情况，对原网络进行变形、扩充等，同时还可以采用多种网络模型的组合形式。 网络参数的选择 确定网络的输入输出神经元的数目，如果是多层网络，还需要进一步确定隐含层神经元的个数。 训练模式的确定 包括选择合理的测试样本，对网络进行测试、或者将网络应用于实际问题，检验网络性能。 网络测试 选择合理的测试样本，对网络进行测试，或者将网络应用于实际问题，检验网络性能。 MATLAB的神经网络工具箱函数 函数类型 函数名称 函数用途 仿真函数 SIM 针对给定的输入，得到网络输出 训练函数 train 调用其它训练函数，对网络进行训练 trainh 对权值和阈值进行训练 adapt 自适