- 1、本文档共22页,可阅读全部内容。
- 2、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。
- 3、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。
- 4、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)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、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。
- 7、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。
- 8、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
查看更多
神经网络实验七;1、GRNN网络结构
输入层 径向基神经元 线性层;2、GRNN网络的设计
调用格式:
net = newgrnn(P,T,SPREAD)
功能描述:
设计一个GRNN网络
参数说明:
P—Q个R维输入向量组成的R×Q矩阵.
T—Q个S维期望输出向量组成的S×Q矩阵.
SPREAD—径向基层的散布常数,缺省值为1.;例1:已知8个样本点,用GRNN网络对该样本进行函数逼近
>> P=[1 2 3 4 5 6 7 8]; %输入变量值
>> T=[0 1 2 3 2 1 2 1]; %期望输出
>> plot(P,T,'.','markersize',30);
%在坐标系中画出样本点
>> axis([0 9 -1 4]); %调整坐标平面显示区域
>> title(‘待逼近函数’); %图像标题
>> xlabel(‘P’); %给横轴标注
>> ylabel('T'); %给纵轴标注;一、广义回归神经网络(GRNN) ;>> spread=0.7; %确定散布常数
>> net=newgrnn(P,T,spread); %设计网络
>> A=sim(net,P); %网络仿真
>> hold on;
>> outputline=plot(P,A,'O','markersize',10, …
'color',[1 0 0]); %画出测试结果
>> title('检测网络');
>> xlabel('P');
>> ylabel('T和A');;一、广义回归神经网络(GRNN) ;>> p=3.5;
>> a=sim(net,p);
%对新的数据点进行仿真
>> plot(p,a,'+','markersize',10,'color',[1 0 0]);
%画出测试点
>> xlabel('P和p');
>> ylabel('T和a');;一、广义回归神经网络(GRNN) ;>> P2=0:0.1:9;
>> A2=sim(net,P2);
>> plot(P2,A2,'linewidth',4,'color',[1 0 0]);
%绘制拟合曲线
>> title('函数逼近');
>> xlabel('P和P2');
>> ylabel('T和A2');;一、广义回归神经网络(GRNN) ;二、概率神经网络(PNN);2、PNN网络的设计
调用格式:
net = newpnn(P,T,SPREAD)
功能描述:设计一个PNN网络
参数说明:
P—Q个R维输入向量组成的RxQ矩阵.
T—Q个S维期望输出向量组成的SxQ矩阵.
SPREAD—径向基层的散布常数,缺省值为1.;二、概率神经网络(PNN);二、概率神经网络(PNN);二、概率神经网络(PNN);二、概率神经网络(PNN);%网络设计
>> T=ind2vec(Tc);
%将类别指针转换为向量T
>> spread=1;
>> net=newpnn(P,T,spread);
%测试网络
>> A=sim(net,P);
>> Ac=vec2ind(A);;>> plot(P(1,:),P(2,:),'.','markersize',30);
>> axis([0 3 0 3]);
>> for i=1:3,text(P(1,i)+0.1,P(2,i),…
sprintf('class%g',Ac(i))),end;
>> title('网络测试结果');
>> xlabel('P(1,:)');
>> ylabel('P(2,:)');;二、概率神经网络(PNN);%对新的向量分类
>> p=[2;1.5];
>> a=sim(net,p);
>> ac=vec2ind(a);
>> hold on;
>> plot(P(1,:),P(2,:),'.','markersize',…
10,'color',[1 0 0]);;>> text(p(1)+0.1,p(2),…
sprintf('class%g',ac));
>> hold off;
>> title('对新向量分类');
>> xlabel('P(1,:)与p(1,:)');
>> ylabel('P(2,:)与p(2,:)');
文档评论(0)