基于Matlab工具箱的神经网络设计.pptVIP

**第六章基于Matlab工具箱的神经网络设计1、BP网络的训练2、训练BP网络的M文件 3、数据归一化时训练BP网络的框图 4、训练好的BP网络的再利用 对于一般的神经网络设计，Matlab的神经网络工具箱完全能满足用户的需要。目前，Matlab主要有四大工具箱和30多个附属工具箱，神经网络工具箱属于附属工具箱的内容。在神经网络工具箱中，设有感知器、线性网络、BP网络，Elman递归网络、径向基函数网络、Hopfield网络，自映射网络。由于BP网络应用广泛，本章只介绍BP网络各工具函数的使用。1、BP网络的训练BP网络的训练，可高度归纳为右图三大步骤。其中权值初始化、训练网络、检验网络都可调用相应的工具函数。调用时，只需将这些工具函数视为黑箱，知道输入什么得到什么即可。开始输入已知参数结束权值初始化训练网络检验网络1）初始化函数（initff）前馈网络权值和偏置的初始化。调用格式（以单隐层BP网络为例):[W1,b1,W2,b2]=initff(X,n1,tansig,T,purelin)第一层权值第一层偏置初始化函数名输入向量输出向量隐结点数对数型S函数正切型S函数2）训练函数（trainbp）根据样本训练网络（即修改权值）。trainbp-利用BP算法训练前馈网络trainbpx-利用快速BP算法训练前馈网络trainlm-利用L－M规则训练前馈网络调用格式（以单隐层BP网络为例）:[W1,b1,W2,b2,te,tr]=trainbp(W1,b1,tansig,W2,b2,purelin,X,T,tp)修改后第一层权值修改前第一层权值tp=[tp1，tp2，tp3，tp4]；tp1=100（学习过程显示频率）tp2=20000（最大训练步数）tp3=0.001（误差平方和指标）tp4=0.01（学习率）实际训练次数训练步数与对应误差3）仿真函数（simuff）根据输入值计算BP网络的输出值。利用该函数即可计算检验样本点上的误差，从而检测网络的推广能力。调用格式（以单隐层BP网络为例）:y=simuff(x,W1,b1,tansig,W2,b2,purelin)2、训练BP网络的M文件完成一个BP网络的训练，除了前面介绍的三大步骤，尚须进行数据的输入输出，打印误差曲线等辅助工作，所有这些命令放在一个M文件中来完成。以一个例子来说明。例：设计一BP网络，使之完成下面的非线性映射。已知训练样本集为：输入向量X＝－1：0.1：1；目标向量T＝［-0.9602-0.5770.07290.37710.64050.66000.4609-0.2013-0.4344-0.5-0.39300.16470.09880.30720.39600.34490.1816-0.0312-0.2183-0.32］用plot(X,T,’*’)可打印这些样本点。1）网络结构采用1×5×1的单隐层BP网络。2）M文件（1）输入数据 clf clc X=-1:0.1:1； T=[-0.9602-0.5770-0.07290.37710.64050.66000.46090.1336– 0.2013-0.4344-0.5000-0.3930-0.16470.09880.30720.39600.3499 0.1816-0.0312-0.2189-0.3201]；（2）绘Ｘ－Ｔ图 plot(X,T,+)； title(Trainingvectors)； xlabel(InputvectorX)； ylabel(TargetvectorT)； pause%按任意键看初始化及训练网络 ?（3）初始化网络 n1=5； [W1,b1,W2,b2]=initff(X,n1,tansig,T,purelin)