神经网络工具箱.docxVIP

神经网络工具箱常用函数列表 1） 重要的感知器神经网络函数： 初始化：  initp 训练：  trainp 仿真：  simup 学习规则：  learnp 2） 线性神经网络函数： 初始化：  initlin 设计：  solvelin 仿真：  simulin 离线训练：  trainwh 在线自适应训练：  adaptwh 学习规则：  learnwh 3）  BP 网络函数： Initff ： 初始化不超过 3 层的前向网络； Simuff ： 仿真不超过 3 层的前向网络； Trainbp，trainbpx，trainlm ：训练 BP（Trainbp：最慢； trainbpx ：次之； trainlm：速度最快，但需要更多的存储空间。 Learnbp： 学习规则  ） 4）  自组织网络 初始化：  initsm 仿真： 训练：  simuc trainc：利用竞争规则训练 trainsm：利用 Kohonen 规则训练 5） 反馈网络（ Hopfield 网络） 仿真： simuhop 设计： solvehop solvehop  设计 Hopfield  网络 solvelin  设计线性网络 rands  产生对称随机数 learnbp  反向传播学习规则 learnh  Hebb 学习规则 learnp  感知层学习规则 learnwh  Widrow －Hoff  学习规则 initlin  线性层初始化 initp  感知层初始化 initsm  自组织映射初始化 plotsm  绘制自组织映射图 trainbp  利用反向传播训练前向网络 trainp 利用感知规则训练感知层 trainwh 利用 Widrow －Hoff 规则训练线性层 trainsm 利用 Kohonen 规则训练自组织映射 工神经网络的典型模型 迄今为止，有 30 多种人工神经网络模型被开发和应用。下面是它们之中有代表性的一些模型。 （１）自适应谐振理论 (ART) 由 Grossberg 提出的，是一个根据可选参数对输入数据进行粗略分类的网络。 ART-1 用于二值输入， 而 ART-2 用于连续值输入。 ART的不足之处在于过份敏感，输入有小的变化时，输出变化很大。 （２）双向联想存储器 (BAM) 由 Kosko 开发的，是一种单状态互连网络，具有学习能力。 BAM的缺点为存储密度较低，且易于振 荡。 （３） Boltzmann 机(BM) 由 Hinton 等提出的，是建立在 Hopfield 网基础上的，具有学习能力，能够通过一个模拟退火过程寻 求解答。不过，其训练时间比 BP网络要长。 （４）反向传播 (BP) 网络 最初由 Werbos开发的反向传播训练算法是一种迭代梯度算法，用于求解前馈网络的实际输出与期望 输出间的最小均方差值。 BP网是一种反向传递并能修正误差的多层映射网络。 当参数适当时， 此网络能够收敛到较小的均方差， 是目前应用最广的网络之一。 BP网的短处是训练时间较长，且易陷于局部极小。 （５）对流传播网络 (CPN) 由 Hecht-Nielson 提出的，是一个通常由五层组成的连接网。 CPN可用于联想存储，其缺点是要求较 多的处理单元。 （６） Hopfield 网 由 Hopfield 提出的，是一类不具有学习能力的单层自联想网络。 Hopfield 网模型由一组可使某个能量函数 最小的微分方程组成。其短处为计算代价较高，而且需要对称连接。 （７） Madaline 算法 是 Adaline 算法的一种发展， 是一组具有最小均方差线性网络的组合， 能够调整权值使得期望信号与输出 间的误差最小。此算法是自适应信号处理和自适应控制的得力工具，具有较强的学习能力，但是输入输出之间必须满足线性关 系。 （８）认知机 (Neocogntion) 由 Fukushima 提出的，是至今为止结构上最为复杂的多层网络 [20] 。通过无师学习，认知机具有 选择能力，对样品的平移和旋转不敏感。不过，认知机所用节点及其互连较多，参数也多且较难选取。 （９）感知器（ Perceptron ） 由 Rosenblatt 开发的，是一组可训练的分类器 [77] ，为最古老的 ANN之一，现已很少使用。 （１０）自组织映射网 (SOM) 由 Kohonen提出的，是以神经元自行组织以校正各种具体模式的概念为基础的。 SOM能够形成簇与 簇之间的连续映射，起到矢量量化器的作用。 根据 W.T.Illingworth 提供的综合资料，最典型的ＡＮＮ模型（算法）及其学习规则和应用领域如表 5.1 所列。 表 5.1 人工神经网络的典型模型 模