神经网络实验七学习教案.pptx

会计学1神经网络实验七第一页，编辑于星期二：六点二分。

１、GRNN网络结构输入层径向基神经元线性层一、广义回归神经网络(GRNN)第1页/共23页第二页，编辑于星期二：六点二分。

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1.一、广义回归神经网络(GRNN)第2页/共23页第三页，编辑于星期二：六点二分。

例1：已知8个样本点，用GRNN网络对该样本进行函数逼近P=[12345678]; %输入变量值T=[01232121]; %期望输出plot(P,T,.,markersize,30);%在坐标系中画出样本点axis([09-14]);%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)第3页/共23页第四页，编辑于星期二：六点二分。

一、广义回归神经网络(GRNN)第4页/共23页第五页，编辑于星期二：六点二分。

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holdon;outputline=plot(P,A,O,markersize,10,…color,[100]); %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)第5页/共23页第六页，编辑于星期二：六点二分。

一、广义回归神经网络(GRNN)第6页/共23页第七页，编辑于星期二：六点二分。

p=3.5;a=sim(net,p);%对新的数据点进行仿真plot(p,a,+,markersize,10,color,[100]);%画出测试点xlabel(P和p);ylabel(T和a);一、广义回归神经网络(GRNN)第7页/共23页第八页，编辑于星期二：六点二分。

一、广义回归神经网络(GRNN)第8页/共23页第九页，编辑于星期二：六点二分。

P2=0:0.1:9;A2=sim(net,P2);plot(P2,A2,linewidth,4,color,[100]);%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)第9页/共23页第十页，编辑于星期二：六点二分。

一、广义回归神经网络(GRNN)第10页/共23页第十一页，编辑于星期二：六点二分。

二、概率神经网络(PNN)1、PNN网络的结构输入层径向基神经元竞争层第11页/共23页第十二页，编辑于星期二：六点二分。

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)第12页/共23页第十三页，编辑于星期二：六点二分。

二、概率神经网络(PNN)例2：已知三组二维向量P=[12;22;11]以及其相对应的三个类别Tc=[123]构建一个PNN网络实现对输入向量进行正确分类。第13页/共23页第十四页，编辑于星期二：六点二分。

二、概率神经网络(PNN)%绘制出输入向量及其类别P=[12;22;11];Tc=[123];plot(P(1,:),P(2,:),.,markersize,30);axis([0303]);第14页/共23页第十五页，编辑于星期二：六点二分。

二、概率神经网络(PNN)fori=1:3,text(P(1,i)+0.1,P(2,i),…sprintf(class%g,Tc(i))),endtitle(三个向量及类别);xlabel(P(1,:));ylabel(P(2,:));第15页/共