MATLAB神经网络工具箱.pptxVIP

会计学;神经元模型;常用传递函数(激发函数);线性函数;Sigmoid函数;单层神经网络模型;多层神经网络模型; 前馈神经网络;感知器(perceptron):;感知器的生成;感知器的权值和阈值初始化;感知器学习;权值和阈值训练与学习函数;权值和阈值学习函数;网络仿真函数; 根据给定的样本输入向量P和目标向量T, 以及需分类的向量组Q, 创建一个感知器, 对其进行分类. ;第16页/共34页;BP网络;BP网络的生成;BP网络的初始化;BP网络的学习规则;BP网络的快速学习算法与选择;BP网络的训练;BP网络的设计(1);BP网络的设计(2);BP网络设计实例;目标线;实验2: BP网络用于曲线拟合;Step1: 将要逼近的非线性函数设为正弦函数;Step 2: 网络建立 应用函数newff()建立BP网络结构，为二层BP网络。隐层神经元数目n可以改变，暂设为10，输出层有一个神经元。选择隐层和输出层神经元传递函数分别为tansig函数和purelin函数，网络训练算法采用trainlm;n = 10; net = newff(minmax(p), [n,1], {tansig purelin}, trainlm); % 对于该初始网络，可以应用sim()函数观察网络输出 y1 = sim(net,p); % 同时绘制网络输出曲线，并与原函数相比较 figure; plot(p,t,-,p,y1,--) title(未训练网络的输出结果); xlabel(时间); ylabel(仿真输出 － － 原函数 －);;Step 3: 网络训练 应用函数train()对网络进行训练之前，要先设置训练参数。将训练时间设置为50，精度设置为，其余用缺省值。 训练后得到的误差变化过程如图：;Stet 4: 网络测试 对于训练好的网络进行仿真 并绘制网络输出曲线，与原始非线性函数曲线以及未训练网络的输出结果曲线相比较;讨 论 改变非线性函数的频率k值，和BP网络隐层神经元的数目，对于函数逼近的效果有一定的影响。 网络非线性程度越高，对于BP网络的要求就越高，则相同的网络逼近效果要差一些；隐层神经元的数目对于网络逼近效果出有一定的影响，一般来说，隐层神经元数目越多，则BP网络逼近能力越强，而同时网络训练所用的时间相对来说也要长一些。 。