《神经网络实验七》.pptVIP

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,:)');