神经网络例子.docVIP

. . 精品 精品 . 精品 神经网络 单层感知器数据分类输出为0和1解决线性可分的分类模型例1.从待分类的数据中取出一部分数据及其对应的类别作为样本数据,设计并训练一个能对分类数据进行分类的单层感知器神经网络 代码:%给定训练样本数据P=[-.4 -.5 .6;.9 0 .1];%给定样本数据所对应的类别，用0和1来表示两种类别T=[1 1 0];%创建一个有两个输入、样本数据的取值范围都在[-1 1]之间,并且网络只有一个神经元的感知器神经网络net=newp([-1 1;-1 1],1); %设置网络的最大训练次数为20次 net.trainParam.epochs=20; %使用训练函数对创建的网络进行训练 net=train(net,P,T); %对训练后的网络进行仿真 Y=sim(net,P) %计算网络的平均绝对误差，表示网络错误分类 E1=mae(Y-T) %给定测试数据，检测训练好的神经网络的性能 Q=[0.6 0.9 -0.1;-0.1 -0.5 0.5]; %使用测试数据，对网络进行仿真，仿真输出即为分类的结果 Y1=sim(net,Q) %创建一个新的绘图窗口 figure; . . 精品 精品 . 精品 %在坐标中绘制测试数据点，并根据数据所对应的类别用约定的符号画出 plotpv(Q,Y1); %在坐标中绘制分类线 plotpc(net.iw{1},net.b{1}) 线性神经网络模型线性神经网络类似感知器,但是线性神经网络的激活函数是线性的,而不是硬线转移函数,因此,线性神经网络的输出可以是任意值,而感知器的输出不是0就是1,线性神经网络网络和感知器一样只能解决线性可分的问题. 例2.要求设计一个线性神经网络,寻找给定数据之间的线性关系 代码: P=[1.1 -1.3]; T=[0.6 1]; %创建一个只有一个输出，输入延迟为0，学习速率为0.01的线性神经网络，minmax(P)表示样本数据的取值范围 net=newlin(minmax(P),1,0,0.01); %对创建的神经网络进行初始化，设置权值和阈值的初始值 net=init(net); net.trainParam.epochs=500; %设置网络训练后的目标误差为0.0001 net.trainParam.goal=0.0001; net=train(net,P,T); y=sim(net,P) %求解网络的均方误差值 E=mse(y-T) BP神经网络预测 能逼近任意非线性函数 . . 精品 精品 . 精品 例3.表2-4为某药品的销售情况，现构建一个如下的BP神经网络对药品的销售进行预测：输入层为三个结点，隐含层结点数为5，隐含层的激活函数为tansig（双曲正切S型传递函数）；输出层结点数为1，输出层的激活函数为logsig（S型的对数函数），并利用此网络对药品的销售量进行预测，预测的方法采用滚动预测方式，即用前三个月的销售量来预测第四个月的销售量，如用1、2、3月的销售量为输入预测第4个月的销售量，用2、3、4月的销售量为输入预测第5个月的销售量。如此反复直至满足预测精度要求为止。 月份 1 2 3 4 5 6 销量 2056 2395 2600 2298 1634 1600 月份 7 8 9 10 11 12 销量 1873 1478 1900 1500 2046 1556 212 241? 263?; 241? 263 236 ; 263 236 161? ; 236 161 168?; 161 168? 187?; 168? 187? 148?; 187? 148 193; 148 193 157 205? 156;?] 代码： %以每三个月的销售量经归一化处理后作为输入 P=[0.5152 0.8173 1.000; 0.8173 1.000 0.7308; 1.000 0.7308 0.1390; 0.7308 0.1390 0.1087; 0.1390 0.1087 0.3520; 0.1087 0.3520 0.000]’; . . 精品 精品 . 精品 %以第四个月的销售量归一化处理后作为目标向量 T=[0.7308 0.1390 0.1087 0.3520 0.000 0.3761]; %创建一个BP神经网络，每一个输入向量的取值范围为[0,1]，隐含层为5个神经元，输出层有一个神经元，隐含层的激活函数为tansig，输出层的激活函数为logsig，训练函数为梯度下降函数 net=newff([0 1; 0 1; 0 1],[5 1],{‘tansig’,’logsig’},’traingd’); net.trainParam.epochs=15000;