数学建模 神经网络.docVIP

神经网络 NET = newff(PR,[S1,S2,...,SNl],{TF1,TF2,...,TFNl})生成一个前馈BP神经网络。其中，PR是由R个输入中各样本输入数据的最小和最大值构成的R×2矩阵。Si表示第i层的节点数，共有Nl层。TFi表示第i层的传输函数字符串，默认为‘tansig’。 NET = newlvq(PR,S1,PC)生成一个学习向量量化(LVQ)神经网络。其中，PR含义同上所述。S1表示隐层数目。PC表示各类别所占的百分比。 [net,tr,Y,E] = train(NET,P,T)对神经网络NET参数进行训练。其中NET为已建立的神经网络。P为n×N样本输入矩阵，n为输入变量维数，N为样本组数。T为m×N输出矩阵，m为输出变量维数，默认为0。net返回训练后得到的神经网络。tr为结构体数据，返回训练的相关跟踪信息，tr.epoch为训练步数，tr.perf为各步目标函数值。 Y = sim(net,P)仿真（或称泛化）训练后得到的神经网络net。P为新的输入数据，结构同上所述。Y返回输出。 神经网络对象常用属性：net.Iw（单元数组），输入层和隐层权值，net.Iw(i)表示第i层权值；net.Lw（单元数组），输出层权值；net.numInputs，输入路数；net.numLayers，隐层数；net.trainParam.epochs，最大训练次数，默认为100；net.trainParam.goal，网络性能目标，误差小于此值时停止训练，默认为0；net.trainParam.show，两次显示之间的训练次数，默认为25；net.trainParam.time，最长训练时间（秒），默认为inf；net.trainParam.lr，自学习的学习率，默认为0.01；net.trainFcn（字符串型），网络训练函数，如’traincgf’（共轭梯度法）、’train’（批处理训练算法）、’traingdm’（带动量的梯度下降算法）和’trainlm’（Levenberg-Marquardt算法）等。 例14.4 用人工神经网络拟合函数y = 0.12e-0.23x+0.54e-.017xsin(1.23x)。 解：设计BP网，编写文件ch14eg4.m，结构和参数见程序中的说明。 clear;close all; x = [0:0.25:10]; y = 0.12*exp(-0.213*x)+0.54*exp(-0.17*x).*sin(1.23*x); % x,y分别为输入和目标向量 net=newff(minmax(x),[20,1],{tansig,purelin}); % 创建一个前馈网络 y0 = sim(net,x); % 仿真未经训练的网络net net.trainFcn=trainlm; % 采用L-M优化算法TRAINLM net.trainParam.epochs = 500; net.trainParam.goal = 1e-6; % 设置训练参数 [net,tr]=train(net,x,y); % 调用相应算法训练网络 y1 = sim(net,x); % 对BP网络进行仿真 E = y-y1; MSE=mse(E) % 计算仿真误差 figure; % 下面绘制匹配结果曲线 plot(x,y0,:,x,y1,r*,x,0.12*exp(-0.213*x)+0.54*exp(-0.17*x).*sin(1.23*x),b); 运行如下： ch14eg4 MSE =9.6867e-007 例14.6 蠓虫分类问题。两种蠓虫Af和Apf已由生物学家W.L.Grogan和W.W.Wirth(1981)根据他们的触角长度和翅长加以区分。现测得6只Apf蠓虫和9只Af蠓虫的触长、翅长的数据如下： Apf: (1.14,1.78),(1.18,1.96),(1.20,1.86),(1.26,2.),(1.28,2.00),(1.30,1.96). Af: (1.24,1.72),(1.36,1.74),(1.38,1.64),(1.38,1.82),(1.38,1.90),(1.4,1.7), (1.48,1.82),(1.54,1.82),(1.56,2.08) 请用恰当的方法对触长、翅长分别为(1.24,1.80)，(1.28,1.84)，(1.40,2.04)的3个样本进行识别。 解：设计一个Lvq神经网络进行分类。编写m文件ch14eg6.m clear; close all; Af=[1.24,1.36,1.38,1.38,1.38,1.4,1.48,1.54,1.56;1.27,1.74,1.64,1.82, 1.9,1.7,1.82,1.82,2.08]