《神經(jīng)網(wǎng)絡(luò)實(shí)用教程》配套實(shí)驗(yàn)教程講解與源碼

1、太普數(shù)據(jù)挖掘與智能中國(guó)網(wǎng)提供學(xué)習(xí)支持太普數(shù)據(jù)挖掘與智能中國(guó)網(wǎng)提供學(xué)習(xí)支持 實(shí)驗(yàn)二實(shí)驗(yàn)二MatlabMatlab快速入門講解快速入門講解實(shí)驗(yàn)二實(shí)驗(yàn)二MATLABMATLAB快速入門快速入門實(shí)驗(yàn)二實(shí)驗(yàn)二MATLABMATLAB快速入門快速入門 p3 3、使用、使用MATLABMATLAB中的條件語(yǔ)句和循環(huán)語(yǔ)句，中的條件語(yǔ)句和循環(huán)語(yǔ)句，編程實(shí)現(xiàn)下面的功能：編程實(shí)現(xiàn)下面的功能： 從從1 1累加到累加到2020，即：，即：1+2+3+4+1+2+3+4+20+20，當(dāng)累，當(dāng)累加和超過加和超過3030時(shí)，跳出時(shí)，跳出FORFOR循環(huán)，在命令窗循環(huán)，在命令窗口中輸出此時(shí)的累加次數(shù)和累加值?？谥休敵龃藭r(shí)的累加

2、次數(shù)和累加值。 演示程序演示程序 psum=0;sum=0;pfor i=1:20for i=1:20p sum=sum+i sum=sum+i; ;p if sum30 if sum30p% break;% break;p disp(sum disp(sum is 30) is 30)p fprintf(%2d,sum) fprintf(%2d,sum)p x=1 x=1p continue; continue;p end endpendendpi ipsumsum實(shí)驗(yàn)二實(shí)驗(yàn)二MATLABMATLAB快速入門快速入門p4 4、神經(jīng)網(wǎng)絡(luò)常用的激活函數(shù)有、神經(jīng)網(wǎng)絡(luò)常用的激活函數(shù)有S S型、對(duì)型、

3、對(duì)數(shù)數(shù)S S型、線性型和硬限幅等，在型、線性型和硬限幅等，在MATLABMATLAB中中有有tansigtansig()()、logsiglogsig()()、purelinpurelin()()和和hardlimhardlim()()四個(gè)函數(shù)對(duì)應(yīng)，請(qǐng)使用四個(gè)函數(shù)對(duì)應(yīng)，請(qǐng)使用MATLABMATLAB編程，按下畫所示圖形，畫出四個(gè)激活函編程，按下畫所示圖形，畫出四個(gè)激活函數(shù)的圖形。數(shù)的圖形。 演示程序演示程序 px=-10:0.2:10;x=-10:0.2:10;py1=tansig(xy1=tansig(x););py2=logsig(xy2=logsig(x););py3=purelin(x

4、y3=purelin(x););py4=hardlim(xy4=hardlim(x););ph=figure(nameh=figure(name,這是一個(gè)顯示多個(gè)激活函數(shù)圖形的程序這是一個(gè)顯示多個(gè)激活函數(shù)圖形的程序););psubplot(2,2,1);subplot(2,2,1);p% % 繪制第一個(gè)圖形繪制第一個(gè)圖形phnd1=plot(x,y1);hnd1=plot(x,y1);p% %設(shè)置圖形線條寬度設(shè)置圖形線條寬度pset(hnd1,linewidth,1);set(hnd1,linewidth,1);p% %設(shè)置圖形線條顏色設(shè)置圖形線條顏色pset(hnd1,color,red);

5、set(hnd1,color,red);ptitle(Stitle(S型激活函數(shù)型激活函數(shù)););plegend(tansiglegend(tansig););pgrid on grid on p% % 設(shè)置第二個(gè)圖形的繪圖位置為第一行第二列設(shè)置第二個(gè)圖形的繪圖位置為第一行第二列 psubplot(2,2,2);subplot(2,2,2);p hnd2=plot(x,y2); hnd2=plot(x,y2);p% %設(shè)置圖形線條寬度設(shè)置圖形線條寬度pset(hnd2,linewidth,2);set(hnd2,linewidth,2);p% %設(shè)置圖形線條顏色設(shè)置圖形線條顏色pset(hnd

6、2,color,green);set(hnd2,color,green);ptitle(title(對(duì)數(shù)對(duì)數(shù)S S型激活函數(shù)型激活函數(shù)););plegend(logsiglegend(logsig););pgrid ongrid onp% % 設(shè)置第三個(gè)圖形的繪圖位置為第二行第一列設(shè)置第三個(gè)圖形的繪圖位置為第二行第一列p subplot(2,2,3);subplot(2,2,3);p hnd3=plot(x,y3); hnd3=plot(x,y3);p% %設(shè)置圖形線條寬度設(shè)置圖形線條寬度pset(hnd3,linewidth,3);set(hnd3,linewidth,3);p% %設(shè)置圖形

7、線條顏色設(shè)置圖形線條顏色pset(hnd3,color,blue);set(hnd3,color,blue);ptitle(title(線性激活函數(shù)線性激活函數(shù)););plegend(purelinlegend(purelin););pgrid ongrid onp% % 設(shè)置第四個(gè)圖形的繪圖位置為第二行第二列設(shè)置第四個(gè)圖形的繪圖位置為第二行第二列p subplot(2,2,4);subplot(2,2,4);p hnd4=plot(x,y4); hnd4=plot(x,y4);p% %設(shè)置圖形線條寬度設(shè)置圖形線條寬度pset(hnd4,linewidth,4);set(hnd4,linewi

8、dth,4);p% %設(shè)置圖形線條顏色設(shè)置圖形線條顏色pset(hnd4,color,yellow);set(hnd4,color,yellow);ptitle(title(硬限幅激活函數(shù)硬限幅激活函數(shù)););plegend(hardlimlegend(hardlim););pgrid ongrid on謝謝！謝謝！太普數(shù)據(jù)挖掘與智能中國(guó)網(wǎng)提供學(xué)習(xí)支持太普數(shù)據(jù)挖掘與智能中國(guó)網(wǎng)提供學(xué)習(xí)支持 實(shí)驗(yàn)三單層感知器的構(gòu)建與使用實(shí)驗(yàn)三單層感知器的構(gòu)建與使用講解講解實(shí)驗(yàn)三單層感知器的構(gòu)建與使用實(shí)驗(yàn)三單層感知器的構(gòu)建與使用實(shí)驗(yàn)三單層感知器的構(gòu)建與使用實(shí)驗(yàn)三單層感知器的構(gòu)建與使用 p 1 1、已經(jīng)對(duì)邏輯與的單層

9、感知器實(shí)現(xiàn)的、已經(jīng)對(duì)邏輯與的單層感知器實(shí)現(xiàn)的權(quán)值調(diào)整計(jì)算過程進(jìn)行了講解，請(qǐng)使用權(quán)值調(diào)整計(jì)算過程進(jìn)行了講解，請(qǐng)使用MATLABMATLAB語(yǔ)言編寫程序，實(shí)現(xiàn)單層感知器對(duì)語(yǔ)言編寫程序，實(shí)現(xiàn)單層感知器對(duì)邏輯與進(jìn)行分類。邏輯與進(jìn)行分類。 演示程序演示程序1 1p% %實(shí)驗(yàn)三第實(shí)驗(yàn)三第1 1題演示程序題演示程序p% % 設(shè)計(jì)并訓(xùn)練一個(gè)對(duì)與運(yùn)算進(jìn)行分類的單層感知器設(shè)計(jì)并訓(xùn)練一個(gè)對(duì)與運(yùn)算進(jìn)行分類的單層感知器p% % 神經(jīng)網(wǎng)絡(luò)并輸出分類結(jié)果。神經(jīng)網(wǎng)絡(luò)并輸出分類結(jié)果。p% %給定訓(xùn)練樣本數(shù)據(jù)給定訓(xùn)練樣本數(shù)據(jù)pP= 0 0 1 1; 0 1 0 1;P= 0 0 1 1; 0 1 0 1;p% %給定樣本數(shù)據(jù)所對(duì)

10、應(yīng)的類別，用給定樣本數(shù)據(jù)所對(duì)應(yīng)的類別，用1 1和和0 0來表示兩種類別來表示兩種類別pT= 0 0 0 1;T= 0 0 0 1;p% %創(chuàng)建一個(gè)有兩個(gè)輸入、樣本數(shù)據(jù)的取值范圍都在創(chuàng)建一個(gè)有兩個(gè)輸入、樣本數(shù)據(jù)的取值范圍都在00，11之間，之間，p% % 并且網(wǎng)絡(luò)只有一個(gè)神經(jīng)元的感知器神經(jīng)網(wǎng)絡(luò)并且網(wǎng)絡(luò)只有一個(gè)神經(jīng)元的感知器神經(jīng)網(wǎng)絡(luò)pnet=newp(0 1;0 1,1);net=newp(0 1;0 1,1);p% %設(shè)置網(wǎng)絡(luò)的最大訓(xùn)練次數(shù)為設(shè)置網(wǎng)絡(luò)的最大訓(xùn)練次數(shù)為2020次，即訓(xùn)練次，即訓(xùn)練2020次后結(jié)束次后結(jié)束訓(xùn)練訓(xùn)練pnet.trainParam.epochsnet.trainParam

11、.epochs = 20; = 20;p% %使用訓(xùn)練函數(shù)對(duì)創(chuàng)建的網(wǎng)絡(luò)進(jìn)行訓(xùn)練使用訓(xùn)練函數(shù)對(duì)創(chuàng)建的網(wǎng)絡(luò)進(jìn)行訓(xùn)練pnet=train(net,P,Tnet=train(net,P,T););演示程序演示程序1 1p% %對(duì)訓(xùn)練后的網(wǎng)絡(luò)進(jìn)行仿真，即根據(jù)訓(xùn)練后的網(wǎng)絡(luò)和樣本數(shù)據(jù)對(duì)訓(xùn)練后的網(wǎng)絡(luò)進(jìn)行仿真，即根據(jù)訓(xùn)練后的網(wǎng)絡(luò)和樣本數(shù)據(jù)p% % 給出輸出給出輸出pa=net.b1;a=net.b1;pb=net.iw1;b=net.iw1;pY=sim(net,PY=sim(net,P); ); p% %計(jì)算網(wǎng)絡(luò)的平均絕對(duì)誤差，表示網(wǎng)絡(luò)錯(cuò)誤分類計(jì)算網(wǎng)絡(luò)的平均絕對(duì)誤差，表示網(wǎng)絡(luò)錯(cuò)誤分類pE1=mae(YE1=m

12、ae(Y-T); -T); p% %給定測(cè)試數(shù)據(jù)，檢測(cè)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)的性能給定測(cè)試數(shù)據(jù)，檢測(cè)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)的性能pQ=1 0 1 0; 0 1 1 0;Q=1 0 1 0; 0 1 1 0;p% %使用測(cè)試數(shù)據(jù)，對(duì)網(wǎng)絡(luò)進(jìn)行仿真，仿真輸出即為分類的結(jié)果使用測(cè)試數(shù)據(jù)，對(duì)網(wǎng)絡(luò)進(jìn)行仿真，仿真輸出即為分類的結(jié)果pY1=sim(net,QY1=sim(net,Q););p% %創(chuàng)建一個(gè)新的繪圖窗口創(chuàng)建一個(gè)新的繪圖窗口演示程序演示程序1 1pfigure;figure;p% %設(shè)置繪圖范圍，在坐標(biāo)圖中繪制測(cè)試數(shù)據(jù)點(diǎn)，并根據(jù)設(shè)置繪圖范圍，在坐標(biāo)圖中繪制測(cè)試數(shù)據(jù)點(diǎn)，并根據(jù)數(shù)據(jù)數(shù)據(jù)p% % 所對(duì)應(yīng)的類別用約定

13、的符號(hào)畫出所對(duì)應(yīng)的類別用約定的符號(hào)畫出 p v=-0.5 2 -0.5 2;v=-0.5 2 -0.5 2;pplotpv(Q,Y1,v);plotpv(Q,Y1,v);p% %利用權(quán)值和閾值，在坐標(biāo)圖中繪制分類線利用權(quán)值和閾值，在坐標(biāo)圖中繪制分類線p% plotpc(net.iw1,net.b1)% plotpc(net.iw1,net.b1)p% % 為更清楚的看到分類，可以給閾值加一個(gè)小的偏移為更清楚的看到分類，可以給閾值加一個(gè)小的偏移量量 p plotpc(net.iw1,net.b1+0.1)plotpc(net.iw1,net.b1+0.1)實(shí)驗(yàn)三單層感知器的構(gòu)建與使用實(shí)驗(yàn)三單層感

14、知器的構(gòu)建與使用p2 2、現(xiàn)需要對(duì)一組數(shù)據(jù)進(jìn)行分類、現(xiàn)需要對(duì)一組數(shù)據(jù)進(jìn)行分類, ,設(shè)樣本設(shè)樣本數(shù)據(jù)的輸入數(shù)據(jù)為數(shù)據(jù)的輸入數(shù)據(jù)為P=-0.4 -0.5 0.6 -P=-0.4 -0.5 0.6 -0.1; 0.9 0 0.1 0.5,0.1; 0.9 0 0.1 0.5,其期望值為其期望值為T=1 T=1 1 0 1,1 0 1,請(qǐng)構(gòu)建一個(gè)單層感知器對(duì)數(shù)據(jù)進(jìn)請(qǐng)構(gòu)建一個(gè)單層感知器對(duì)數(shù)據(jù)進(jìn)行分類行分類, ,并用測(cè)試數(shù)據(jù)并用測(cè)試數(shù)據(jù)Q=0.6 0.9 -0.1 Q=0.6 0.9 -0.1 0.7;-0.1 -0.5 0.5 -0.30.7;-0.1 -0.5 0.5 -0.3對(duì)構(gòu)建好的神對(duì)構(gòu)建好的神

15、經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試, ,并評(píng)價(jià)其性能并評(píng)價(jià)其性能. . 演示程序演示程序2 2p% %實(shí)驗(yàn)三第實(shí)驗(yàn)三第2 2題演示程序題演示程序p% % 設(shè)計(jì)并訓(xùn)練一個(gè)對(duì)與運(yùn)算進(jìn)行分類的單層感知器神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)并訓(xùn)練一個(gè)對(duì)與運(yùn)算進(jìn)行分類的單層感知器神經(jīng)網(wǎng)絡(luò)p% % 并輸出分類結(jié)果。并輸出分類結(jié)果。p% %p% %給定訓(xùn)練樣本數(shù)據(jù)給定訓(xùn)練樣本數(shù)據(jù)pP=-0.4 -0.5 0.6 -0.1; 0.9 0 0.1 0.5;P=-0.4 -0.5 0.6 -0.1; 0.9 0 0.1 0.5;p% %給定樣本數(shù)據(jù)所對(duì)應(yīng)的類別，用給定樣本數(shù)據(jù)所對(duì)應(yīng)的類別，用1 1和和0 0來表示兩種類別來表示兩種類別pT=1

16、 1 0 1;T=1 1 0 1;p% %創(chuàng)建一個(gè)有兩個(gè)輸入、樣本數(shù)據(jù)的取值范圍都在創(chuàng)建一個(gè)有兩個(gè)輸入、樣本數(shù)據(jù)的取值范圍都在00，11之間，之間，p% % 并且網(wǎng)絡(luò)只有一個(gè)神經(jīng)元的感知器神經(jīng)網(wǎng)絡(luò)并且網(wǎng)絡(luò)只有一個(gè)神經(jīng)元的感知器神經(jīng)網(wǎng)絡(luò)pnet=newp(0 1;0 1,1);net=newp(0 1;0 1,1);p% %設(shè)置網(wǎng)絡(luò)的最大訓(xùn)練次數(shù)為設(shè)置網(wǎng)絡(luò)的最大訓(xùn)練次數(shù)為2020次，即訓(xùn)練次，即訓(xùn)練2020次后結(jié)束訓(xùn)練次后結(jié)束訓(xùn)練pnet.trainParam.epochsnet.trainParam.epochs = 20; = 20;演示程序演示程序2 2p% %使用訓(xùn)練函數(shù)對(duì)創(chuàng)建的網(wǎng)絡(luò)進(jìn)行

17、訓(xùn)練使用訓(xùn)練函數(shù)對(duì)創(chuàng)建的網(wǎng)絡(luò)進(jìn)行訓(xùn)練pnet=train(net,P,Tnet=train(net,P,T););p% %對(duì)訓(xùn)練后的網(wǎng)絡(luò)進(jìn)行仿真，即根據(jù)訓(xùn)練后的網(wǎng)絡(luò)和樣對(duì)訓(xùn)練后的網(wǎng)絡(luò)進(jìn)行仿真，即根據(jù)訓(xùn)練后的網(wǎng)絡(luò)和樣本數(shù)據(jù)給出輸出本數(shù)據(jù)給出輸出pa=net.b1a=net.b1pb=net.iw1b=net.iw1pY=sim(net,PY=sim(net,P); ); p% %計(jì)算網(wǎng)絡(luò)的平均絕對(duì)誤差，表示網(wǎng)絡(luò)錯(cuò)誤分類計(jì)算網(wǎng)絡(luò)的平均絕對(duì)誤差，表示網(wǎng)絡(luò)錯(cuò)誤分類pE1=mae(YE1=mae(Y-T) -T) p% %給定測(cè)試數(shù)據(jù)，檢測(cè)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)的性能給定測(cè)試數(shù)據(jù)，檢測(cè)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)的性能p

18、Q=0.6 0.9 -0.1 0.7;-0.1 -0.5 0.5 -0.3;Q=0.6 0.9 -0.1 0.7;-0.1 -0.5 0.5 -0.3;p% %使用測(cè)試數(shù)據(jù)，對(duì)網(wǎng)絡(luò)進(jìn)行仿真，仿真輸出即為分類使用測(cè)試數(shù)據(jù)，對(duì)網(wǎng)絡(luò)進(jìn)行仿真，仿真輸出即為分類的結(jié)果的結(jié)果演示程序演示程序2 2pY1=sim(net,QY1=sim(net,Q););p% %創(chuàng)建一個(gè)新的繪圖窗口創(chuàng)建一個(gè)新的繪圖窗口pfigure;figure;p% %設(shè)置繪圖范圍，在坐標(biāo)圖中繪制測(cè)試數(shù)據(jù)點(diǎn)，并根據(jù)設(shè)置繪圖范圍，在坐標(biāo)圖中繪制測(cè)試數(shù)據(jù)點(diǎn)，并根據(jù)數(shù)據(jù)所對(duì)應(yīng)的類別用約定的符號(hào)畫出數(shù)據(jù)所對(duì)應(yīng)的類別用約定的符號(hào)畫出 p v=-1

19、 2 -1 2;v=-1 2 -1 2;pplotpv(Q,Y1,v);plotpv(Q,Y1,v);p% %利用權(quán)值和閾值，在坐標(biāo)圖中繪制分類線利用權(quán)值和閾值，在坐標(biāo)圖中繪制分類線p plotpc(net.iw1,net.b1)plotpc(net.iw1,net.b1)p% % 為更清楚的看到分類，可以給閾值加一個(gè)小的偏移為更清楚的看到分類，可以給閾值加一個(gè)小的偏移量量 p% plotpc(net.iw1,net.b1+0.1)% plotpc(net.iw1,net.b1+0.1)實(shí)驗(yàn)三單層感知器的構(gòu)建與使用實(shí)驗(yàn)三單層感知器的構(gòu)建與使用p 3 3、有下面一組樣本數(shù)據(jù)：輸入數(shù)據(jù)為、有下面一

20、組樣本數(shù)據(jù)：輸入數(shù)據(jù)為P=0 0 0 1;1 0 1 1,P=0 0 0 1;1 0 1 1,目標(biāo)值為目標(biāo)值為0 1 1 0 1 1 00，能否使用單層感知器對(duì)其進(jìn)行正確分，能否使用單層感知器對(duì)其進(jìn)行正確分類，請(qǐng)編寫類，請(qǐng)編寫MATLABMATLAB程序驗(yàn)證，并對(duì)結(jié)果進(jìn)程序驗(yàn)證，并對(duì)結(jié)果進(jìn)行分析？行分析？ 演示程序演示程序3 3p% %實(shí)驗(yàn)三第實(shí)驗(yàn)三第3 3題演示程序題演示程序p% % 設(shè)計(jì)并訓(xùn)練一個(gè)對(duì)與運(yùn)算進(jìn)行分類的單層感知器神經(jīng)網(wǎng)絡(luò)并輸設(shè)計(jì)并訓(xùn)練一個(gè)對(duì)與運(yùn)算進(jìn)行分類的單層感知器神經(jīng)網(wǎng)絡(luò)并輸出分類結(jié)果。出分類結(jié)果。p% %p% %給定訓(xùn)練樣本數(shù)據(jù)給定訓(xùn)練樣本數(shù)據(jù)pP=0 1 0 1; 0 0

21、 1 1;P=0 1 0 1; 0 0 1 1;p% %給定樣本數(shù)據(jù)所對(duì)應(yīng)的類別，用給定樣本數(shù)據(jù)所對(duì)應(yīng)的類別，用1 1和和0 0來表示兩種類別來表示兩種類別pT=0 1 1 0;T=0 1 1 0;p% %創(chuàng)建一個(gè)有兩個(gè)輸入、樣本數(shù)據(jù)的取值范圍都在創(chuàng)建一個(gè)有兩個(gè)輸入、樣本數(shù)據(jù)的取值范圍都在00，11之間，之間，p% % 并且網(wǎng)絡(luò)只有一個(gè)神經(jīng)元的感知器神經(jīng)網(wǎng)絡(luò)并且網(wǎng)絡(luò)只有一個(gè)神經(jīng)元的感知器神經(jīng)網(wǎng)絡(luò)pnet=newp(0 1;0 1,1);net=newp(0 1;0 1,1);p% %設(shè)置網(wǎng)絡(luò)的最大訓(xùn)練次數(shù)為設(shè)置網(wǎng)絡(luò)的最大訓(xùn)練次數(shù)為2020次，即訓(xùn)練次，即訓(xùn)練2020次后結(jié)束訓(xùn)練次后結(jié)束訓(xùn)練pn

22、et.trainParam.epochsnet.trainParam.epochs = 20; = 20;p% %使用訓(xùn)練函數(shù)對(duì)創(chuàng)建的網(wǎng)絡(luò)進(jìn)行訓(xùn)練使用訓(xùn)練函數(shù)對(duì)創(chuàng)建的網(wǎng)絡(luò)進(jìn)行訓(xùn)練pnet=train(net,P,Tnet=train(net,P,T););演示程序演示程序3 3p% %對(duì)訓(xùn)練后的網(wǎng)絡(luò)進(jìn)行仿真，即根據(jù)訓(xùn)練后的網(wǎng)絡(luò)和樣對(duì)訓(xùn)練后的網(wǎng)絡(luò)進(jìn)行仿真，即根據(jù)訓(xùn)練后的網(wǎng)絡(luò)和樣本數(shù)據(jù)給出輸出本數(shù)據(jù)給出輸出pa=net.b1a=net.b1pb=net.iw1b=net.iw1pY=sim(net,PY=sim(net,P); ); p% %計(jì)算網(wǎng)絡(luò)的平均絕對(duì)誤差，表示網(wǎng)絡(luò)錯(cuò)誤分類計(jì)算網(wǎng)絡(luò)的平均絕

23、對(duì)誤差，表示網(wǎng)絡(luò)錯(cuò)誤分類pE1=mae(YE1=mae(Y-T) -T) p% %給定測(cè)試數(shù)據(jù)，檢測(cè)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)的性能給定測(cè)試數(shù)據(jù)，檢測(cè)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)的性能pQ=0 1 0 1; 0 0 1 1;Q=0 1 0 1; 0 0 1 1;p% %使用測(cè)試數(shù)據(jù)，對(duì)網(wǎng)絡(luò)進(jìn)行仿真，仿真輸出即為分類使用測(cè)試數(shù)據(jù)，對(duì)網(wǎng)絡(luò)進(jìn)行仿真，仿真輸出即為分類的結(jié)果的結(jié)果演示程序演示程序3 3pY1=0 1 1 0;Y1=0 1 1 0;p% %創(chuàng)建一個(gè)新的繪圖窗口創(chuàng)建一個(gè)新的繪圖窗口pfigure;figure;p% %設(shè)置繪圖范圍，在坐標(biāo)圖中繪制測(cè)試數(shù)據(jù)點(diǎn)，并根據(jù)設(shè)置繪圖范圍，在坐標(biāo)圖中繪制測(cè)試數(shù)據(jù)點(diǎn)，并根據(jù)數(shù)

24、據(jù)所對(duì)應(yīng)的類別用約定的符號(hào)畫出數(shù)據(jù)所對(duì)應(yīng)的類別用約定的符號(hào)畫出 p v=-1 2 -1 2;v=-1 2 -1 2;pplotpv(Q,Y1,v);plotpv(Q,Y1,v);p% %利用權(quán)值和閾值，在坐標(biāo)圖中繪制分類線利用權(quán)值和閾值，在坐標(biāo)圖中繪制分類線p% plotpc(net.iw1,net.b1)% plotpc(net.iw1,net.b1)p% % 為更清楚的看到分類，可以給閾值加一個(gè)小的偏移為更清楚的看到分類，可以給閾值加一個(gè)小的偏移量量 p plotpc(net.iw1,net.b1+0.1)plotpc(net.iw1,net.b1+0.1)謝謝！謝謝！太普數(shù)據(jù)挖掘與智能中

25、國(guó)網(wǎng)提供學(xué)習(xí)支持太普數(shù)據(jù)挖掘與智能中國(guó)網(wǎng)提供學(xué)習(xí)支持 實(shí)驗(yàn)四實(shí)驗(yàn)四線性神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用線性神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用講講解解實(shí)驗(yàn)四實(shí)驗(yàn)四線性神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用線性神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用實(shí)驗(yàn)四實(shí)驗(yàn)四線性神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用線性神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用 p1 1、有、有2121組單輸入矢量和相對(duì)應(yīng)的目標(biāo)矢組單輸入矢量和相對(duì)應(yīng)的目標(biāo)矢量，試設(shè)計(jì)一個(gè)線性神經(jīng)網(wǎng)絡(luò)來擬合這對(duì)量，試設(shè)計(jì)一個(gè)線性神經(jīng)網(wǎng)絡(luò)來擬合這對(duì)數(shù)組的函數(shù)關(guān)系，并用測(cè)試數(shù)據(jù)進(jìn)行測(cè)試。數(shù)組的函數(shù)關(guān)系，并用測(cè)試數(shù)據(jù)進(jìn)行測(cè)試。實(shí)驗(yàn)四實(shí)驗(yàn)四線性神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用線性神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用p輸入與目標(biāo)數(shù)據(jù)如下：輸入與目標(biāo)數(shù)據(jù)如下： 輸入數(shù)據(jù)：輸入數(shù)據(jù)：P=

26、-1:0.1:1P=-1:0.1:1 期望目標(biāo)數(shù)據(jù)：期望目標(biāo)數(shù)據(jù)：T=-0.96 0.577 -0.0729 T=-0.96 0.577 -0.0729 0.377 0.641 0.66 0.461 0.1336 0.201 -0.377 0.641 0.66 0.461 0.1336 0.201 -0.434 -0.5 -0.393 -0.1647 0.0988 0.3072 0.434 -0.5 -0.393 -0.1647 0.0988 0.3072 0.396 0.3449 0.1816 -0.0312 -0.2183 -0.396 0.3449 0.1816 -0.0312 -0.2

27、183 -0.32010.3201 測(cè)試數(shù)據(jù)為：測(cè)試數(shù)據(jù)為：P2=-1:0.025:1P2=-1:0.025:1 演示程序演示程序 1 1pP=-1:0.1:1;P=-1:0.1:1;p% T=-0.96 0.577 -0.0729 0.377 0.641 0.66 0.461 0.1336 % T=-0.96 0.577 -0.0729 0.377 0.641 0.66 0.461 0.1336 0.201 -0.434 -0.5 -0.393 -0.1647 0.0988 0.3072 0.396 0.201 -0.434 -0.5 -0.393 -0.1647 0.0988 0.3072

28、 0.396 0.3449 0.1816 -0.0312 -0.2183 -0.3201;0.3449 0.1816 -0.0312 -0.2183 -0.3201;p% %創(chuàng)建一個(gè)只有一個(gè)輸出，輸入延時(shí)為創(chuàng)建一個(gè)只有一個(gè)輸出，輸入延時(shí)為0 0，學(xué)習(xí)速率為，學(xué)習(xí)速率為0.010.01的的p% % 線性神經(jīng)網(wǎng)絡(luò)，線性神經(jīng)網(wǎng)絡(luò)，minmax(Pminmax(P) )表示樣表示樣p% %本數(shù)據(jù)的取值范圍本數(shù)據(jù)的取值范圍p% net=newlin(minmax(P),1,0,0.01);% net=newlin(minmax(P),1,0,0.01);p% % %對(duì)創(chuàng)建的線性神經(jīng)網(wǎng)絡(luò)進(jìn)行初始化，設(shè)置權(quán)

29、值和閾值的初始值對(duì)創(chuàng)建的線性神經(jīng)網(wǎng)絡(luò)進(jìn)行初始化，設(shè)置權(quán)值和閾值的初始值p% net=init(net% net=init(net););p% net.trainParam.epochs% net.trainParam.epochs=500;=500;p% % %設(shè)置網(wǎng)絡(luò)訓(xùn)練后的目標(biāo)誤差為設(shè)置網(wǎng)絡(luò)訓(xùn)練后的目標(biāo)誤差為0.00010.0001p% net.trainParam.goal% net.trainParam.goal=0.0001;=0.0001;p% net=train(net,P,T% net=train(net,P,T););演示程序演示程序 1 1p% % 有有-標(biāo)記間的部分為擬合

30、函數(shù)時(shí)的程序，有標(biāo)記間的部分為擬合函數(shù)時(shí)的程序，有+標(biāo)記間的部分為測(cè)試時(shí)的程序標(biāo)記間的部分為測(cè)試時(shí)的程序p% -% -p% y=sim(net,P% y=sim(net,P););p% % %求解網(wǎng)絡(luò)的均方誤差值求解網(wǎng)絡(luò)的均方誤差值p% E=mse(y% E=mse(y-T);-T);p% % %獲取繪圖句柄獲取繪圖句柄p% hndl1=plot(P,y% hndl1=plot(P,y););p% % %設(shè)置線寬為設(shè)置線寬為2 2p% set(hndl1,linewidth,2);% set(hndl1,linewidth,2);p% % %設(shè)置線的顏色為紅色設(shè)置線的顏色為紅色p% set(h

31、ndl1,color,red);% set(hndl1,color,red);p% hold on% hold onp% hndl2=plot(P,T% hndl2=plot(P,T););演示程序演示程序 1 1p% set(hndl2,linewidth,2);% set(hndl2,linewidth,2);p% % %設(shè)置圖形標(biāo)題設(shè)置圖形標(biāo)題p% title(% title(線性神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù)的線性神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù)的MATLABMATLAB實(shí)現(xiàn)實(shí)現(xiàn)););p% % %設(shè)置圖例設(shè)置圖例p% legend(% legend(線性神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù)線性神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù)

32、,原線性數(shù)據(jù)原線性數(shù)據(jù))p% % -% % -p% % 從此處到標(biāo)記為從此處到標(biāo)記為+的部分為測(cè)試時(shí)的程序的部分為測(cè)試時(shí)的程序, ,測(cè)試用此部測(cè)試用此部分程序替換分程序替換-間的程序間的程序p% % % % 測(cè)試數(shù)據(jù)測(cè)試數(shù)據(jù)p% P2=-1:0.025:1;% P2=-1:0.025:1;p% ytest% ytest=sim(net,P2);=sim(net,P2);p% plot(ytest,d,MarkerFaceColor,r,MarkerSize,8);% plot(ytest,d,MarkerFaceColor,r,MarkerSize,8);p% hold on% hold on

33、p% % plot(T,s,MarkerEdgeColor,k,MarkerFaceColor,g,Maplot(T,s,MarkerEdgeColor,k,MarkerFaceColor,g,MarkerSize,12);rkerSize,12);p% +% +實(shí)驗(yàn)四實(shí)驗(yàn)四線性神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用線性神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用p思考題思考題 1 1、一線性神經(jīng)網(wǎng)絡(luò)的輸入為、一線性神經(jīng)網(wǎng)絡(luò)的輸入為P=1.1 -P=1.1 -1.31.3，目標(biāo)為，目標(biāo)為T=0.6 1;T=0.6 1;設(shè)權(quán)值和偏置的設(shè)權(quán)值和偏置的初始值為初始值為0 0，學(xué)習(xí)速率為，學(xué)習(xí)速率為0.010.01，請(qǐng)計(jì)算出，請(qǐng)計(jì)算出此網(wǎng)絡(luò)前

34、二次的權(quán)值和偏置的值？此網(wǎng)絡(luò)前二次的權(quán)值和偏置的值？ 實(shí)驗(yàn)四實(shí)驗(yàn)四線性神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用線性神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用 T(1)( )2( )( )w kw ke kkpp權(quán)值調(diào)整公式（見權(quán)值調(diào)整公式（見神經(jīng)網(wǎng)絡(luò)實(shí)用教程神經(jīng)網(wǎng)絡(luò)實(shí)用教程p27p27） 實(shí)驗(yàn)四實(shí)驗(yàn)四線性神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用線性神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用p第一次調(diào)整第一次調(diào)整實(shí)際輸出：1211110 00 01.1-1.3b wxx T0.6 1 - 0 00.6 111(1)(0)2*0.01* *1.11.311.100.02* 0.6 111.3= 0.0320.0128eTYwwe實(shí)驗(yàn)四實(shí)驗(yàn)四線性神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用線性神經(jīng)網(wǎng)絡(luò)的構(gòu)

35、建與使用p第一次調(diào)整第一次調(diào)整實(shí)際輸出：1211110.0320.01281.1-1.3= 0.0179 0.0486b wxx T0.6 1 - 0.0179 0.04860.5821 0.951411(2)(1)2*0.01* *1.1 1.31 1.10.0320.01280.02* 0.5821 0.95141 1.3= 0.0627 -0.0247eTYwwe實(shí)驗(yàn)四實(shí)驗(yàn)四線性神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用線性神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用p思考題思考題2 2、用、用MATLABMATLAB編程實(shí)現(xiàn)第編程實(shí)現(xiàn)第1 1題，要求輸出每題，要求輸出每一次迭代后的權(quán)值和偏置。一次迭代后的權(quán)值和偏置。 演示程序演示

36、程序2 2p% % 線性神經(jīng)網(wǎng)絡(luò)擬合曲線輸出權(quán)值演示程序線性神經(jīng)網(wǎng)絡(luò)擬合曲線輸出權(quán)值演示程序p% %輸入樣本數(shù)輸入樣本數(shù)pNPATS = 2;NPATS = 2;p% % 輸入樣本值矩陣輸入樣本值矩陣pPatterns = 1.1 -1.3;Patterns = 1.1 -1.3;p% % 輸出目標(biāo)值輸出目標(biāo)值pTarget = 0.6 1;Target = 0.6 1;p% % 學(xué)習(xí)率學(xué)習(xí)率pLearnRateLearnRate = 0.01; = 0.01;演示程序演示程序2 2p% % 將偏置看作輸入的第一個(gè)分量，組成網(wǎng)絡(luò)輸將偏置看作輸入的第一個(gè)分量，組成網(wǎng)絡(luò)輸入值入值pInputs =

37、 ones(1,2); Patterns;Inputs = ones(1,2); Patterns;p% % 權(quán)值初始化權(quán)值初始化pWeights = 0 0;Weights = 0 0;p% % 循環(huán)計(jì)算權(quán)值和偏置的改變值循環(huán)計(jì)算權(quán)值和偏置的改變值pfor i = 1:3for i = 1:3p% % 計(jì)算神經(jīng)元的輸出計(jì)算神經(jīng)元的輸出 pResult = (Weights Result = (Weights * * Inputs); Inputs);演示程序演示程序2 2p% % 判斷實(shí)際輸出與目標(biāo)值是否相等，相等則結(jié)判斷實(shí)際輸出與目標(biāo)值是否相等，相等則結(jié)束迭代，否則進(jìn)入下一輪迭代束迭代，否

38、則進(jìn)入下一輪迭代pif Result = Target, break, endif Result = Target, break, endp% % 按按LMSLMS誤差學(xué)習(xí)算法調(diào)整權(quán)值誤差學(xué)習(xí)算法調(diào)整權(quán)值pWeights = Weights + 2Weights = Weights + 2* *LearnRateLearnRate* *(Target-(Target-Result) Result) * * Inputs; Inputs;p% %在顯示器上輸出權(quán)值編號(hào)其對(duì)應(yīng)值在顯示器上輸出權(quán)值編號(hào)其對(duì)應(yīng)值pfprintf(%2d. Weights = ,i);fprintf(%2d. Weigh

39、ts = ,i);pdisp(Weightsdisp(Weights););pendend謝謝！謝謝！太普數(shù)據(jù)挖掘與智能中國(guó)網(wǎng)提供學(xué)習(xí)支持太普數(shù)據(jù)挖掘與智能中國(guó)網(wǎng)提供學(xué)習(xí)支持 實(shí)驗(yàn)五實(shí)驗(yàn)五BPBP神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用（一）用（一）講解講解實(shí)驗(yàn)五實(shí)驗(yàn)五BPBP神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用實(shí)驗(yàn)五實(shí)驗(yàn)五BPBP神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用 p1 1、有、有2121組單輸入矢量和相對(duì)應(yīng)的目標(biāo)矢組單輸入矢量和相對(duì)應(yīng)的目標(biāo)矢量，試設(shè)計(jì)一個(gè)線性神經(jīng)網(wǎng)絡(luò)來擬合這對(duì)量，試設(shè)計(jì)一個(gè)線性神經(jīng)網(wǎng)絡(luò)來擬合這對(duì)數(shù)組的函數(shù)關(guān)系，并用測(cè)試數(shù)據(jù)進(jìn)行測(cè)試。數(shù)組的函數(shù)關(guān)系，并用測(cè)試數(shù)據(jù)進(jìn)行

40、測(cè)試。實(shí)驗(yàn)五實(shí)驗(yàn)五BPBP神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用p存在的問題存在的問題1 1、激活函數(shù)的選擇、激活函數(shù)的選擇 tansig的定義域?yàn)樨?fù)無窮到正無窮，值域?yàn)?1到1，logsig的定義域?yàn)樨?fù)無窮到正無窮，值域?yàn)?到12 2、結(jié)果如何顯示？、結(jié)果如何顯示？ 實(shí)驗(yàn)五實(shí)驗(yàn)五BPBP神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用p輸入與目標(biāo)數(shù)據(jù)如下：輸入與目標(biāo)數(shù)據(jù)如下： 輸入數(shù)據(jù)：輸入數(shù)據(jù)：P=-1:0.1:1P=-1:0.1:1 期望目標(biāo)數(shù)據(jù)：期望目標(biāo)數(shù)據(jù)：T=-0.96 0.577 -0.0729 T=-0.96 0.577 -0.0729 0.377 0.641 0.66 0.461

41、0.1336 0.201 -0.377 0.641 0.66 0.461 0.1336 0.201 -0.434 -0.5 -0.393 -0.1647 0.0988 0.3072 0.434 -0.5 -0.393 -0.1647 0.0988 0.3072 0.396 0.3449 0.1816 -0.0312 -0.2183 -0.396 0.3449 0.1816 -0.0312 -0.2183 -0.32010.3201 測(cè)試數(shù)據(jù)為：測(cè)試數(shù)據(jù)為：P2=-1:0.025:1P2=-1:0.025:1 BPBP演示程序演示程序p% % 本函數(shù)演示本函數(shù)演示BPBP網(wǎng)絡(luò)對(duì)非線性數(shù)據(jù)的逼近效

42、果網(wǎng)絡(luò)對(duì)非線性數(shù)據(jù)的逼近效果p% % 下面為用下面為用BPBP神經(jīng)網(wǎng)絡(luò)逼近非線性數(shù)據(jù)的演示程序神經(jīng)網(wǎng)絡(luò)逼近非線性數(shù)據(jù)的演示程序p% %輸入樣本輸入樣本pP=-1:0.1:1;P=-1:0.1:1;pT=-0.96 0.577 -0.0729 0.377 0.641 0.66 0.461 0.1336 0.201 -T=-0.96 0.577 -0.0729 0.377 0.641 0.66 0.461 0.1336 0.201 -0.434 -0.5 -0.393 -0.1647 0.0988 0.3072 0.396 0.3449 0.1816 -0.434 -0.5 -0.393 -0.1

43、647 0.0988 0.3072 0.396 0.3449 0.1816 -0.0312 -0.2183 -0.3201;0.0312 -0.2183 -0.3201;p% %創(chuàng)建一個(gè)創(chuàng)建一個(gè)BPBP神經(jīng)網(wǎng)絡(luò)，每一個(gè)輸入向量的取值范圍為神經(jīng)網(wǎng)絡(luò)，每一個(gè)輸入向量的取值范圍為-1 ,1-1 ,1，隱含層有，隱含層有5 5個(gè)神經(jīng)元，輸出層個(gè)神經(jīng)元，輸出層p% %有一個(gè)神經(jīng)元，隱含層的激活函數(shù)為有一個(gè)神經(jīng)元，隱含層的激活函數(shù)為tansigtansig，輸出層的激活函數(shù)為，輸出層的激活函數(shù)為logsiglogsig，訓(xùn)練函數(shù)為梯度下，訓(xùn)練函數(shù)為梯度下p% %降函數(shù)，即降函數(shù)，即2.3.22.3.2節(jié)中

44、所描述的標(biāo)準(zhǔn)學(xué)習(xí)算法節(jié)中所描述的標(biāo)準(zhǔn)學(xué)習(xí)算法pnet=newff(-1 1,5,1,tansig,tansig,traingd);net=newff(-1 1,5,1,tansig,tansig,traingd);p% %可以改變訓(xùn)練步數(shù)為可以改變訓(xùn)練步數(shù)為30003000、50005000、1000010000來查看網(wǎng)絡(luò)的訓(xùn)練結(jié)果來查看網(wǎng)絡(luò)的訓(xùn)練結(jié)果pnet.trainParam.epochsnet.trainParam.epochs=5000;=5000;p% %目標(biāo)誤差設(shè)為目標(biāo)誤差設(shè)為0.010.01pnet.trainParam.goalnet.trainParam.goal=0.01

45、;=0.01;BPBP演示程序演示程序p% %設(shè)置學(xué)習(xí)速率為設(shè)置學(xué)習(xí)速率為0.10.1pLP.lrLP.lr=0.1;=0.1;pnet=train(net,P,Tnet=train(net,P,T););p% % 有有-標(biāo)記間的部分為擬合函數(shù)時(shí)的程序，有標(biāo)記間的部分為擬合函數(shù)時(shí)的程序，有+標(biāo)記間的部分為測(cè)試時(shí)的程序標(biāo)記間的部分為測(cè)試時(shí)的程序p% -% -py=sim(net,Py=sim(net,P););pfigurefigurephndl1=plot(P,yhndl1=plot(P,y););p% %設(shè)置線寬為設(shè)置線寬為2 2pset(hndl1,linewidth,2);set(hnd

46、l1,linewidth,2);p% %設(shè)置線的顏色為紅色設(shè)置線的顏色為紅色pset(hndl1,color,red);set(hndl1,color,red);phold onhold onphndl2=plot(P,Thndl2=plot(P,T););BPBP演示程序演示程序pset(hndl2,linewidth,2);set(hndl2,linewidth,2);p% %設(shè)置圖形標(biāo)題設(shè)置圖形標(biāo)題ptitle(BPtitle(BP神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù)的神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù)的MATLABMATLAB實(shí)現(xiàn)實(shí)現(xiàn)););p% %設(shè)置圖例設(shè)置圖例plegend(BPlegend(BP神經(jīng)網(wǎng)絡(luò)

47、逼近非線性函數(shù)神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù),原數(shù)據(jù)原數(shù)據(jù))p% -% -p% % 從此處到標(biāo)記為從此處到標(biāo)記為+的部分為測(cè)試時(shí)的程序的部分為測(cè)試時(shí)的程序, ,測(cè)試用此部分程序替換測(cè)試用此部分程序替換-間的程序間的程序p% % 測(cè)試數(shù)據(jù)測(cè)試數(shù)據(jù)p% %測(cè)試測(cè)試p% P2=-1:0.05:1;% P2=-1:0.05:1;p% ytest% ytest=sim(net,P2);=sim(net,P2);p% figure% figurep% hndl1=plot(P2,ytest);% hndl1=plot(P2,ytest);BPBP演示程序演示程序p% % %設(shè)置線寬為設(shè)置線寬為2 2p% set(

48、hndl1,linewidth,2);% set(hndl1,linewidth,2);p% % %設(shè)置線的顏色為紅色設(shè)置線的顏色為紅色p% set(hndl1,color,red);% set(hndl1,color,red);p% hold on% hold onp% hndl2=plot(P,T% hndl2=plot(P,T););p% set(hndl2,linewidth,2);% set(hndl2,linewidth,2);p% % %設(shè)置圖形標(biāo)題設(shè)置圖形標(biāo)題p% title(BP% title(BP神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù)的神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù)的MATLABMATLAB實(shí)現(xiàn)實(shí)

49、現(xiàn)););p% % %設(shè)置圖例設(shè)置圖例p% legend(BP% legend(BP神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù)神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù),原數(shù)據(jù)原數(shù)據(jù))p% +% +線性網(wǎng)絡(luò)演示程序線性網(wǎng)絡(luò)演示程序 p% % 本函數(shù)演示線性神經(jīng)網(wǎng)絡(luò)對(duì)非線性數(shù)據(jù)的逼近效果本函數(shù)演示線性神經(jīng)網(wǎng)絡(luò)對(duì)非線性數(shù)據(jù)的逼近效果p% % 下面為用線性神經(jīng)網(wǎng)絡(luò)逼近非線性數(shù)據(jù)的演示程序下面為用線性神經(jīng)網(wǎng)絡(luò)逼近非線性數(shù)據(jù)的演示程序pP=-1:0.1:1;P=-1:0.1:1;pT=-0.96 0.577 -0.0729 0.377 0.641 0.66 0.461 0.1336 T=-0.96 0.577 -0.0729 0.377 0.

50、641 0.66 0.461 0.1336 0.201 -0.434 -0.5 -0.393 -0.1647 0.0988 0.3072 0.396 0.201 -0.434 -0.5 -0.393 -0.1647 0.0988 0.3072 0.396 0.3449 0.1816 -0.0312 -0.2183 -0.3201;0.3449 0.1816 -0.0312 -0.2183 -0.3201;p% %創(chuàng)建一個(gè)只有一個(gè)輸出，輸入延時(shí)為創(chuàng)建一個(gè)只有一個(gè)輸出，輸入延時(shí)為0 0，學(xué)習(xí)速率為，學(xué)習(xí)速率為0.010.01的的p% % 線性神經(jīng)網(wǎng)絡(luò)，線性神經(jīng)網(wǎng)絡(luò)，minmax(Pminmax(P

51、) )表示樣本數(shù)據(jù)的取值范圍表示樣本數(shù)據(jù)的取值范圍pnet=newlin(minmax(P),1,0,0.01);net=newlin(minmax(P),1,0,0.01);p% %對(duì)創(chuàng)建的線性神經(jīng)網(wǎng)絡(luò)進(jìn)行初始化，設(shè)置權(quán)值和閾值的初始值對(duì)創(chuàng)建的線性神經(jīng)網(wǎng)絡(luò)進(jìn)行初始化，設(shè)置權(quán)值和閾值的初始值pnet=init(netnet=init(net););pnet.trainParam.epochsnet.trainParam.epochs=500;=500;p% %設(shè)置網(wǎng)絡(luò)訓(xùn)練后的目標(biāo)誤差為設(shè)置網(wǎng)絡(luò)訓(xùn)練后的目標(biāo)誤差為0.00010.0001pnet.trainParam.goalnet.trainP

52、aram.goal=0.0001;=0.0001;線性網(wǎng)絡(luò)演示程序線性網(wǎng)絡(luò)演示程序pnet=train(net,P,Tnet=train(net,P,T););p% % 有有-標(biāo)記間的部分為擬合數(shù)據(jù)時(shí)的程序，有標(biāo)記間的部分為擬合數(shù)據(jù)時(shí)的程序，有+標(biāo)記間的部分為測(cè)試時(shí)的程序標(biāo)記間的部分為測(cè)試時(shí)的程序p% -% -py=sim(net,Py=sim(net,P););p% %求解網(wǎng)絡(luò)的均方誤差值求解網(wǎng)絡(luò)的均方誤差值pE=mse(yE=mse(y-T);-T);pfigurefigurep% %獲取繪圖句柄獲取繪圖句柄phndl1=plot(P,yhndl1=plot(P,y););p% %設(shè)置線寬

53、為設(shè)置線寬為2 2pset(hndl1,linewidth,2);set(hndl1,linewidth,2);p% %設(shè)置線的顏色為紅色設(shè)置線的顏色為紅色pset(hndl1,color,red);set(hndl1,color,red);線性網(wǎng)絡(luò)演示程序線性網(wǎng)絡(luò)演示程序phold onhold onphndl2=plot(P,Thndl2=plot(P,T););pset(hndl2,linewidth,2);set(hndl2,linewidth,2);p% %設(shè)置圖形標(biāo)題設(shè)置圖形標(biāo)題ptitle(title(線性神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù)的線性神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù)的MATLABMATLA

54、B實(shí)現(xiàn)實(shí)現(xiàn)););p% %設(shè)置圖例設(shè)置圖例plegend(legend(線性神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù)線性神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù),原線性數(shù)據(jù)原線性數(shù)據(jù))p% -% -p% % 從此處到標(biāo)記為從此處到標(biāo)記為+的部分為測(cè)試時(shí)的程序的部分為測(cè)試時(shí)的程序, ,測(cè)試用此測(cè)試用此部分程序替換部分程序替換-間的程序間的程序p% % 測(cè)試數(shù)據(jù)測(cè)試數(shù)據(jù)p% P2=-1:0.025:1;% P2=-1:0.025:1;p% ytest% ytest=sim(net,P2); =sim(net,P2); p% figure% figure線性網(wǎng)絡(luò)演示程序線性網(wǎng)絡(luò)演示程序p% % 獲取繪圖句柄獲取繪圖句柄p% hndl1

55、=plot(P2,ytest);% hndl1=plot(P2,ytest);p% % 設(shè)置線寬為設(shè)置線寬為2 2p% set(hndl1,linewidth,2);% set(hndl1,linewidth,2);p% % 設(shè)置線的顏色為紅色設(shè)置線的顏色為紅色p% set(hndl1,color,red);% set(hndl1,color,red);p% hold on% hold onp% hndl2=plot(P,T% hndl2=plot(P,T););p% set(hndl2,linewidth,2);% set(hndl2,linewidth,2);p% % 設(shè)置圖形標(biāo)題設(shè)置圖形

56、標(biāo)題p% title(% title(線性神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù)的線性神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù)的MATLABMATLAB實(shí)現(xiàn)實(shí)現(xiàn)););p% % 設(shè)置圖例設(shè)置圖例p% legend(% legend(線性神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù)線性神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù),原線性數(shù)據(jù)原線性數(shù)據(jù))p% +% +謝謝！謝謝！太普數(shù)據(jù)挖掘與智能中國(guó)網(wǎng)提供學(xué)習(xí)支持太普數(shù)據(jù)挖掘與智能中國(guó)網(wǎng)提供學(xué)習(xí)支持 實(shí)驗(yàn)六實(shí)驗(yàn)六 BPBP神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用（二）用（二）講解講解實(shí)驗(yàn)六實(shí)驗(yàn)六BPBP神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用（二）神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用（二）實(shí)驗(yàn)六實(shí)驗(yàn)六BPBP神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用（二）神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用（二）

57、 p使用使用BPBP神經(jīng)網(wǎng)絡(luò)對(duì)正弦函數(shù)進(jìn)行神經(jīng)網(wǎng)絡(luò)對(duì)正弦函數(shù)進(jìn)行逼近逼近實(shí)驗(yàn)六實(shí)驗(yàn)六BPBP神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用（二）神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用（二）p存在的問題存在的問題1 1、激活函數(shù)的選擇、激活函數(shù)的選擇2 2、訓(xùn)練次數(shù)的確定、訓(xùn)練次數(shù)的確定3 3、隱含層神經(jīng)元個(gè)數(shù)的確定、隱含層神經(jīng)元個(gè)數(shù)的確定 實(shí)驗(yàn)六實(shí)驗(yàn)六BPBP神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用（二）神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用（二）p實(shí)驗(yàn)內(nèi)容實(shí)驗(yàn)內(nèi)容1 1數(shù)據(jù)：數(shù)據(jù)：輸入樣本數(shù)據(jù)：P = -2:0.1:2;期望目標(biāo)數(shù)據(jù)：T =sin(2*P);測(cè)試數(shù)據(jù)：P = -2:0.05:2; 實(shí)驗(yàn)六實(shí)驗(yàn)六BPBP神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用（二）神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用（二）p實(shí)

58、驗(yàn)內(nèi)容實(shí)驗(yàn)內(nèi)容2 2：探測(cè)網(wǎng)絡(luò)合適的訓(xùn)練次數(shù)最大訓(xùn)練次數(shù)設(shè)置為30003000、50005000、1000010000 觀測(cè)效果 實(shí)驗(yàn)六實(shí)驗(yàn)六BPBP神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用（二）神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用（二）p實(shí)驗(yàn)內(nèi)容實(shí)驗(yàn)內(nèi)容3 3：探測(cè)合適的隱含層的神經(jīng)元個(gè)數(shù)設(shè)置隱含層神經(jīng)網(wǎng)絡(luò)的個(gè)數(shù)為2 2個(gè)、個(gè)、8 8個(gè)、個(gè)、1010個(gè)、個(gè)、2020個(gè)，比較效果個(gè)，比較效果 實(shí)驗(yàn)六實(shí)驗(yàn)六BPBP神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用（二）神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用（二）p實(shí)驗(yàn)內(nèi)容實(shí)驗(yàn)內(nèi)容4 4：輸入的正弦函數(shù)改為sin(3sin(3* *P) P) 、sin(4sin(4* *P) P) 、sin(8sin(8* *P)P)時(shí)時(shí) 觀測(cè)

59、逼近效果 實(shí)驗(yàn)六實(shí)驗(yàn)六BPBP神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用（二）神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用（二）p思考題思考題1 1、實(shí)驗(yàn)中構(gòu)建的、實(shí)驗(yàn)中構(gòu)建的BPBP神經(jīng)網(wǎng)絡(luò)的合適的訓(xùn)練神經(jīng)網(wǎng)絡(luò)的合適的訓(xùn)練次數(shù)在什么范圍內(nèi)？次數(shù)在什么范圍內(nèi)？2 2、實(shí)驗(yàn)中構(gòu)建的、實(shí)驗(yàn)中構(gòu)建的BPBP神經(jīng)網(wǎng)絡(luò)的合適的隱含神經(jīng)網(wǎng)絡(luò)的合適的隱含層神經(jīng)元的個(gè)數(shù)在什么范圍內(nèi)？層神經(jīng)元的個(gè)數(shù)在什么范圍內(nèi)？ 演示程序演示程序p% % 本函數(shù)演示本函數(shù)演示BPBP網(wǎng)絡(luò)對(duì)非線性數(shù)據(jù)的逼近效果網(wǎng)絡(luò)對(duì)非線性數(shù)據(jù)的逼近效果p% % 下面為用下面為用BPBP神經(jīng)網(wǎng)絡(luò)逼近非線性數(shù)據(jù)的演示程序神經(jīng)網(wǎng)絡(luò)逼近非線性數(shù)據(jù)的演示程序pclcclcpclearclearpcl

60、ose allclose allp% %輸入樣本輸入樣本pP=-2:0.1:2;P=-2:0.1:2;pT=sin(4T=sin(4* *P);P);p% %創(chuàng)建一個(gè)創(chuàng)建一個(gè)BPBP神經(jīng)網(wǎng)絡(luò)，每一個(gè)輸入向量的取值范圍為神經(jīng)網(wǎng)絡(luò)，每一個(gè)輸入向量的取值范圍為-1 ,1-1 ,1，隱含層有，隱含層有5 5個(gè)神經(jīng)元，個(gè)神經(jīng)元，p% % 輸出層有一個(gè)神經(jīng)元，隱含層的激活函數(shù)為輸出層有一個(gè)神經(jīng)元，隱含層的激活函數(shù)為tansigtansig，輸出層的激活函數(shù)，輸出層的激活函數(shù)為為logsiglogsig，p% % 訓(xùn)練函數(shù)為梯度下降函數(shù)，即訓(xùn)練函數(shù)為梯度下降函數(shù)，即2.3.22.3.2節(jié)中所描述的標(biāo)準(zhǔn)學(xué)習(xí)算