神经网络算法含感知器和BP.pptVIP

下载本文档

1
0
约8.18千字
约 38页
2019-08-11 发布于湖北
举报
版权申诉

神经网络算法含感知器和BP.ppt

1、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。。
2、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。
3、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)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、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。
6、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。
7、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

由前20个已知类别的DNA序列片段可以构造出目标向量： t = [1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0]; 1、应用感知器对DNA序列进行分类：（DNAper1.m） net=newp([0 1;0 1;0 1;0 1;0 1],1); net.adaptParam.passes=110 net=adapt(net,p,t); Y=sim(net,p) % 回代检验 a=sim(net,P) % 对待判类别的序列进行分类 A 类 B 类 a = 0 1 1 0 0 0 1 0 1 0 0 0 0 1 1 0 1 0 0 0 回代检验结果是100%的准确。待判序列的分类结果： A类：22，23，27，29，34，35，37； B类：21，24，25，26，28，30，31，32， 33，36，38，39，40；输出结果： a = 0 1 1 0 0 0 1 0 1 0 0 0 0 1 1 0 1 0 0 0 并附图形：获得数值分类结果：（DNAper.m） net=newp([0 1;0 1;0 1;0 1;0 1],1); net.adaptParam.passes=110 net=adapt(net,p,t); Y=sim(net,p) % 回代检验 a=sim(net,P) % 对待判类别的序列进行分类输出结果：误差曲线图 2、应用BP网络对DNA序列进行分类：（DNAbp.m） net=newff([0 20;0 16;0 12;0 12;0 13],[3 1],{logsig purelin},traingdx); net.trainparam.show=100; %两次显示之间的训练步数 net.trainparam.lr=0.5; net.trainparam.mc=0.8; net.trainparam.epochos=20000; net.trainparam.goal=0.01; %训练目标 [net,tr]=train(net,p,t); Y=sim(net,p) a=sim(net,P) Y = 1.0436 1.0223 0.9879 0.6593 1.0348 1.0225 1.0364 1.0111 0.8835 0.9824 0.0079 0.0079 0.0077 0.0088 0.0077 0.0813 0.2153 0.0080 0.0080 0.0078 a = 0.4215 0.7467 0.9664 0.0766 0.4305 0.0158 0.9113 0.1174 0.8094 0.1735 0.4612 0.5622 0.4323 0.8334 0.8310 0.4070 0.5784 0.0115 0.1521 0.0082 回代检验结果也是100%的准确。待判序列的分类结果：同上输出结果：误差曲线图思考：1、前面所述的特征提取为：ttt, tta, ggc, cgg, gga, 是否合理？ 2、请给出另外的特征重新计算！ 3、分析改进后的误差。主讲：何仁斌实际应用问题 1、蠓虫的分类问题 2、DNA序列分类问题 3、癌症诊断问题 …… 神经网络算法简介感知器感知器(perceptron)是由美国科学家F.Rosenblatt于1957年提出的，其目的是为了模拟人脑的感知和学习能力。感知器是最早提出的一种神经网络模型。它特别适合于简单的模式分类问题，如线性可分的形式。神经网络算法简介以两个输入的单层感知器神经元为例 ∑ w(1,1) w(1,2) p(1) p(2) n a b w ——权重; b ——阈值如果设 w(1,1)=-1,w(1,2)=2,b=1 L