MATLAB神经网络工具箱(函数拟合)ppt课件.ppt
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_05.gif)
《MATLAB神经网络工具箱(函数拟合)ppt课件.ppt》由会员分享,可在线阅读,更多相关《MATLAB神经网络工具箱(函数拟合)ppt课件.ppt(40页珍藏版)》请在得力文库 - 分享文档赚钱的网站上搜索。
1、MATLAB神经网络工具箱介绍及实验要求神经元模型Neuron Model: 多输入,单输出,带偏置输入:R维列向量1,TRppp权值:R维行向量111,Rwwwb阈值:标量求和单元11Riiinp wb传递函数f输出()afbwp常用传递函数aWp-b1-1u阈值函数1(0)( )hardlim( )0(0)naf nnnMATLAB函数: hardlim1(0)( )hardlim ( )1(0)naf ns nnMATLAB函数: hardlims线性函数uPurelin Transfer Function :( )af nnanMATLAB函数: purelinSigmoid函数uSi
2、gmoid Function :u特性:值域a(0,1)非线性,单调性无限次可微|n|较小时可近似线性函数|n|较大时可近似阈值函数1( )1naf neMATLAB函数: logsig(对数), tansig(正切)对数Sigmoid函数正切Sigmoid函数tanh( )nnnneeanee单层神经网络模型R维输入, S个神经元的单层神经网络模型111212121211RRSSSRwwwwwwwwwW12Sbbbb()faWp+b多层神经网络模型 前馈神经网络u前馈神经网络(feed forward NN):各神经元接受前级输入,并输出到下一级,无反馈,可用一有向无环图表示。u前馈网络通常
3、分为不同的层(layer),第i层的输入只与第i-1层的输出联结。u可见层:输入层(input layer)和输出层(output layer)u隐藏层(hidden layer) :中间层感知器(perceptron):u 单层前馈网络u 传递函数为阈值函数u主要功能是模式分类感知器的生成函数newp用来生成一个感知器神经网络net = newp( pr, s, tf, lf ) net: 函数返回参数,表示生成的感知器网络 pr: 一个R2矩阵, 由R维输入向量的每维最小值和最 大值组成 s: 神经元的个数 tf: 感知器的传递函数, 默认为hardlim, 可选hardlims lf:
4、感知器的学习函数,默认为learnp, 可选learnpnnet = newp(-2,+2;-2,+2,2) %生成一个二维输入,两个神经元的感知器newp感知器的权值和阈值初始化p newp默认权值和阈值为零(零初始化函数initzero).net = newp(-2,+2;-2,+2,2); W=net.IW1,1 %显示网络的权值b=net.b1 %显示网络的阈值W =0 00 0b =0 0 p 改变默认初始化函数为随机函数randsnet.inputweights1,1.initFcn = rands;net.biases1.initFcn = rands;net =init(net
5、); %重新初始化p 直接初始化定义权值和阈值net.IW1,1=1 2;3 4; net.b1=1感知器学习u感知器学习算法权值增量: ()TTWta pep阈值增量: btae 权值更新: newoldWWW阈值更新: newoldbbbu算法改进()TTta pepWpp输入样本归一化权值和阈值训练与学习函数trainnet=train(net, P, T) 设计好的感知器并不能马上投入使用. 通过样本训练, 确定感知器的权值和阈值.输入向量目标向量被训练网络net.trainParam.epochs=10 ; %预定的最大训练次数为10, 感知器经过最多训练10次后停止,adaptne
6、t=adapt(net, P, T)自适应训练函数权值和阈值学习函数learnpdW=learnp(W,P,Z,N,A,T,E,D,gW,gA,LP,LS)dW:权值或阈值的增量矩阵W:权值矩阵或阈值向量P:输入向量T:目标向量E:误差向量其他可以忽略,设为 learnpn归一化学习函数网络仿真函数sima = sim(net, P)输入向量网络输出分类结果显示绘图函数plotpvplotpv(P,T)plotpcplotpc(W,b)画输入向量的图像画分类线 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. 例: 创建一个感知器P=-0.5 -
7、0.6 0.7;0.8 0 0.1; %已知样本输入向量T=1 1 0; %已知样本目标向量net=newp(-1 1;-1 1,1); %创建感知器handle=plotpc(net.iw1,net.b1); %返回划分类线的句柄net.trainParam.epochs=10; % 设置训练最大次数net=train(net,P,T); %训练网络Q=0.6 0.9 -0.1;-0.1 -0.5 0.5; %已知待分类向量Y=sim(net,Q); %二元分类仿真结果 figure; %新建图形窗口plotpv(Q,Y); %画输入向量handle=plotpc(net.iw1,net.b
8、1,handle) %画分类线实验一 利用感知器进行分类(1) 一个经过训练的感知器对5个输入向量进行分类(2类)。 Step 1 两个长度为5的向量构成输入样本矩阵P,行向量T为目标向量。利用PLOTPV画出这个向量的图像。例如:P = -0.5 -0.5 +0.3 -0.1 -4; -0.5 +0.5 -0.5 +1.0 5;T = 1 1 0 0 1;plotpv(P,T); % plotpv函数利用感知器的输入向量和目标向量来画输入向量的图像Step 2建立神经网络 画输入向量的图像 MATLAB提供函数newp来创建一个指定的感知器。第一个参数指定了期望的两个输入向量的取值范围,第二
9、个参数指定了只有一个神经元。net = newp(-40 1;-1 50,1);注意:这个神经元的传递函数是hardlim函数,也就是阶跃函数。取0,1两个值。Hardlims函数,取-1,1两个值。实验一 利用感知器进行分类(2) 添加神经元的初始化值到分类图添加神经元的初始化值到分类图 Step3 初始化的权值被设为0,因此任何输入都会给出同样的输出,并且分类线不会出现在这个图中,不用害怕,我们会继续训练这个神经网。hold on linehandle = plotpc(net.IW1,net.b1); /plotpc函数用来画分类线训练神经网络训练神经网络 Step4 Matlab提供了
10、adapt函数来训练感知器,adapt函数返回一个新的能更好的执行分类、网络的输出、和误差的神经网络,这个划线函数允许网络从3个角度去调整,画分类线一直到误差为0为止。E = 1; /E为误差net.adaptParam.passes = 3; /决定在训练过程中重复次数while (sse(E) /sse函数是用来判定误差E的函数net,Y,E = adapt(net,P,T); /利用输入样本调节神经网netlinehandle = plotpc(net.IW1,net.b1,linehandle);/ /画出调整以后的分类线drawnow; /延迟一段时间end实验一 利用感知器进行分类
11、(3) Step 5 模拟模拟sim sim函数能被用来划分任何别的输入向量,例如划分一个输入向量0.7; 1.2.这个新点的图像为红色,他将用来显示这个感知器如何把这个新点从最初的训练集取分开来。p = 0.7; 1.2;a = sim(net,p); /利用模拟函数sim计算出新输入p的神经网络的输出plotpv(p,a);circle = findobj(gca,type, line);set(circle,Color,red);打开hold,以便于以前的图像不被删除。增加训练装置和分类线在图中。hold on; plotpv(P,T); plotpc(net.IW1,net.b1);
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- MATLAB 神经网络 工具箱 函数 拟合 ppt 课件
![提示](https://www.deliwenku.com/images/bang_tan.gif)
限制150内