神經(jīng)網(wǎng)絡(luò)實用教程講解與源碼課件

實驗二

MATLAB快速入門

實驗二

MATLAB快速入門3、使用MATLAB中的條件語句和循環(huán)語句，編程實現(xiàn)下面的功能：從1累加到20，即：1+2+3+4+…+20，當累加和超過30時，跳出FOR循環(huán)，在命令窗口中輸出此時的累加次數(shù)和累加值。

演示程序sum=0;fori=1:20sum=sum+i;ifsum>30%break;disp('sumis30')fprintf('%2d,sum')x=1continue;endendisum實驗二

MATLAB快速入門4、神經(jīng)網(wǎng)絡(luò)常用的激活函數(shù)有S型、對數(shù)S型、線性型和硬限幅等，在MATLAB中有tansig()、logsig()、purelin()和hardlim()四個函數(shù)對應(yīng)，請使用MATLAB編程，按下畫所示圖形，畫出四個激活函數(shù)的圖形。

演示程序x=-10:0.2:10;y1=tansig(x);y2=logsig(x);y3=purelin(x);y4=hardlim(x);h=figure('name','這是一個顯示多個激活函數(shù)圖形的程序');subplot(2,2,1);%繪制第一個圖形hnd1=plot(x,y1);%設(shè)置圖形線條寬度set(hnd1,'linewidth',1);%設(shè)置圖形線條顏色set(hnd1,'color','red');title('S型激活函數(shù)');legend('tansig');gridon%設(shè)置第二個圖形的繪圖位置為第一行第二列subplot(2,2,2);hnd2=plot(x,y2);%設(shè)置圖形線條寬度set(hnd2,'linewidth',2);%設(shè)置圖形線條顏色set(hnd2,'color','green');title('對數(shù)S型激活函數(shù)');legend('logsig');gridon%設(shè)置第三個圖形的繪圖位置為第二行第一列

subplot(2,2,3);hnd3=plot(x,y3);%設(shè)置圖形線條寬度set(hnd3,'linewidth',3);%設(shè)置圖形線條顏色set(hnd3,'color','blue');title('線性激活函數(shù)');legend('purelin');gridon%設(shè)置第四個圖形的繪圖位置為第二行第二列

subplot(2,2,4);hnd4=plot(x,y4);%設(shè)置圖形線條寬度set(hnd4,'linewidth',4);%設(shè)置圖形線條顏色set(hnd4,'color','yellow');title('硬限幅激活函數(shù)');legend('hardlim');gridonnet=newp([01;01],1);y=sim(net,P_test)set(hndl1,'linewidth',2);2、實驗中構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)的合適的隱含層神經(jīng)元的個數(shù)在什么范圍內(nèi)？%輸出層有一個神經(jīng)元，隱含層的激活函數(shù)為tansig，輸出層的激活函數(shù)為logsig，1、已經(jīng)對邏輯與的單層感知器實現(xiàn)的權(quán)值調(diào)整計算過程進行了講解，請使用MATLAB語言編寫程序，實現(xiàn)單層感知器對邏輯與進行分類。3、有下面一組樣本數(shù)據(jù)：輸入數(shù)據(jù)為P=[0001;1011],目標值為[0110]，能否使用單層感知器對其進行正確分類，請編寫MATLAB程序驗證，并對結(jié)果進行分析？hndl1=plot(p,ysim);set(hnd2,'linewidth',2);set(hndl2,'linewidth',2);plotpv(Q,Y1,v);%為更清楚的看到分類，可以給閾值加一個小的偏移量E1=mae(Y-T);%ttest=exp(-xtest).實驗六BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用（二）講解v=[-12-12];2個、8個、10個、20個，比較效果set(hndl1,'color','red');%title('線性神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù)的MATLAB實現(xiàn)');subplot(2,2,3);謝謝！實驗三單層感知器的構(gòu)建與使用講解實驗三單層感知器的構(gòu)建與使用實驗三單層感知器的構(gòu)建與使用

1、已經(jīng)對邏輯與的單層感知器實現(xiàn)的權(quán)值調(diào)整計算過程進行了講解，請使用MATLAB語言編寫程序，實現(xiàn)單層感知器對邏輯與進行分類。

演示程序1%實驗三第1題演示程序%設(shè)計并訓練一個對與運算進行分類的單層感知器%神經(jīng)網(wǎng)絡(luò)并輸出分類結(jié)果。%給定訓練樣本數(shù)據(jù)P=[0011;0101];%給定樣本數(shù)據(jù)所對應(yīng)的類別，用1和0來表示兩種類別T=[0001];%創(chuàng)建一個有兩個輸入、樣本數(shù)據(jù)的取值范圍都在[0，1]之間，%并且網(wǎng)絡(luò)只有一個神經(jīng)元的感知器神經(jīng)網(wǎng)絡(luò)net=newp([01;01],1); %設(shè)置網(wǎng)絡(luò)的最大訓練次數(shù)為20次，即訓練20次后結(jié)束訓練%使用訓練函數(shù)對創(chuàng)建的網(wǎng)絡(luò)進行訓練net=train(net,P,T);演示程序1%對訓練后的網(wǎng)絡(luò)進行仿真，即根據(jù)訓練后的網(wǎng)絡(luò)和樣本數(shù)據(jù)%給出輸出a=net.b{1};b=net.iw{1};Y=sim(net,P);%計算網(wǎng)絡(luò)的平均絕對誤差，表示網(wǎng)絡(luò)錯誤分類E1=mae(Y-T);%給定測試數(shù)據(jù)，檢測訓練好的神經(jīng)網(wǎng)絡(luò)的性能Q=[1010;0110];%使用測試數(shù)據(jù)，對網(wǎng)絡(luò)進行仿真，仿真輸出即為分類的結(jié)果Y1=sim(net,Q);%創(chuàng)建一個新的繪圖窗口演示程序1figure;%設(shè)置繪圖范圍，在坐標圖中繪制測試數(shù)據(jù)點，并根據(jù)數(shù)據(jù)%所對應(yīng)的類別用約定的符號畫出

v=[-0.52-0.52];plotpv(Q,Y1,v);%利用權(quán)值和閾值，在坐標圖中繪制分類線%plotpc(net.iw{1},net.b{1})%為更清楚的看到分類，可以給閾值加一個小的偏移量

plotpc(net.iw{1},net.b{1}+0.1)實驗三單層感知器的構(gòu)建與使用2、現(xiàn)需要對一組數(shù)據(jù)進行分類,設(shè)樣本數(shù)據(jù)的輸入數(shù)據(jù)為P=[-0.4-0.50.6-0.1;0.900.10.5],其期望值為T=[1101],請構(gòu)建一個單層感知器對數(shù)據(jù)進行分類,并用測試數(shù)據(jù)Q=[0.60.9-0.10.7;-0.1-0.50.5-0.3]對構(gòu)建好的神經(jīng)網(wǎng)絡(luò)進行測試,并評價其性能.

演示程序2%實驗三第2題演示程序%設(shè)計并訓練一個對與運算進行分類的單層感知器神經(jīng)網(wǎng)絡(luò)%并輸出分類結(jié)果。%%給定訓練樣本數(shù)據(jù)P=[-0.4-0.50.6-0.1;0.900.10.5];%給定樣本數(shù)據(jù)所對應(yīng)的類別，用1和0來表示兩種類別T=[1101];%創(chuàng)建一個有兩個輸入、樣本數(shù)據(jù)的取值范圍都在[0，1]之間，%并且網(wǎng)絡(luò)只有一個神經(jīng)元的感知器神經(jīng)網(wǎng)絡(luò)net=newp([01;01],1); %設(shè)置網(wǎng)絡(luò)的最大訓練次數(shù)為20次，即訓練20次后結(jié)束訓練演示程序2%使用訓練函數(shù)對創(chuàng)建的網(wǎng)絡(luò)進行訓練net=train(net,P,T);%對訓練后的網(wǎng)絡(luò)進行仿真，即根據(jù)訓練后的網(wǎng)絡(luò)和樣本數(shù)據(jù)給出輸出a=net.b{1}b=net.iw{1}Y=sim(net,P);%計算網(wǎng)絡(luò)的平均絕對誤差，表示網(wǎng)絡(luò)錯誤分類E1=mae(Y-T)%給定測試數(shù)據(jù)，檢測訓練好的神經(jīng)網(wǎng)絡(luò)的性能Q=[0.60.9-0.10.7;-0.1-0.50.5-0.3];%使用測試數(shù)據(jù)，對網(wǎng)絡(luò)進行仿真，仿真輸出即為分類的結(jié)果演示程序2Y1=sim(net,Q);%創(chuàng)建一個新的繪圖窗口figure;%設(shè)置繪圖范圍，在坐標圖中繪制測試數(shù)據(jù)點，并根據(jù)數(shù)據(jù)所對應(yīng)的類別用約定的符號畫出

v=[-12-12];plotpv(Q,Y1,v);%利用權(quán)值和閾值，在坐標圖中繪制分類線

plotpc(net.iw{1},net.b{1})%為更清楚的看到分類，可以給閾值加一個小的偏移量%plotpc(net.iw{1},net.b{1}+0.1)%-----------------------------net=newp([01;01],1);%-----------------------------%因原函數(shù)與逼近函數(shù)重合，要看到兩個圖像y應(yīng)該加一個小的偏移%根據(jù)預(yù)測方法得到輸入向量和目標向量%將偏置看作輸入的第一個分量，組成網(wǎng)絡(luò)輸入值%實驗三第2題演示程序T=sin(4*P);y=sim(net,P);hndl2=plot(p,t);continue;net=train(net,P,T);%%下面為用BP神經(jīng)網(wǎng)絡(luò)逼近非線性數(shù)據(jù)的演示程序net=newff([-11],[5,1],{'tansig','tansig'},'traingd');plot(x,u,'b-')%可以改變訓練步數(shù)為3000、5000、10000來查看網(wǎng)絡(luò)的訓練結(jié)果(1,9)1y=sim(net,P_test)%并且網(wǎng)絡(luò)只有一個神經(jīng)元的感知器神經(jīng)網(wǎng)絡(luò)hndl1=plot(P,y);實驗七

RBF神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用實驗三單層感知器的構(gòu)建與使用3、有下面一組樣本數(shù)據(jù)：輸入數(shù)據(jù)為P=[0001;1011],目標值為[0110]，能否使用單層感知器對其進行正確分類，請編寫MATLAB程序驗證，并對結(jié)果進行分析？

演示程序3%實驗三第3題演示程序%設(shè)計并訓練一個對與運算進行分類的單層感知器神經(jīng)網(wǎng)絡(luò)并輸出分類結(jié)果。%%給定訓練樣本數(shù)據(jù)P=[0101;0011];%給定樣本數(shù)據(jù)所對應(yīng)的類別，用1和0來表示兩種類別T=[0110];%創(chuàng)建一個有兩個輸入、樣本數(shù)據(jù)的取值范圍都在[0，1]之間，%并且網(wǎng)絡(luò)只有一個神經(jīng)元的感知器神經(jīng)網(wǎng)絡(luò)net=newp([01;01],1); %設(shè)置網(wǎng)絡(luò)的最大訓練次數(shù)為20次，即訓練20次后結(jié)束訓練%使用訓練函數(shù)對創(chuàng)建的網(wǎng)絡(luò)進行訓練net=train(net,P,T);演示程序3%對訓練后的網(wǎng)絡(luò)進行仿真，即根據(jù)訓練后的網(wǎng)絡(luò)和樣本數(shù)據(jù)給出輸出a=net.b{1}b=net.iw{1}Y=sim(net,P);%計算網(wǎng)絡(luò)的平均絕對誤差，表示網(wǎng)絡(luò)錯誤分類E1=mae(Y-T)%給定測試數(shù)據(jù)，檢測訓練好的神經(jīng)網(wǎng)絡(luò)的性能Q=[0101;0011];%使用測試數(shù)據(jù)，對網(wǎng)絡(luò)進行仿真，仿真輸出即為分類的結(jié)果演示程序3Y1=[0110];%創(chuàng)建一個新的繪圖窗口figure;%設(shè)置繪圖范圍，在坐標圖中繪制測試數(shù)據(jù)點，并根據(jù)數(shù)據(jù)所對應(yīng)的類別用約定的符號畫出

v=[-12-12];plotpv(Q,Y1,v);%利用權(quán)值和閾值，在坐標圖中繪制分類線%plotpc(net.iw{1},net.b{1})%為更清楚的看到分類，可以給閾值加一個小的偏移量

plotpc(net.iw{1},net.b{1}+0.1)謝謝！實驗四線性神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用講解實驗四

線性神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用

實驗四

線性神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用

1、有21組單輸入矢量和相對應(yīng)的目標矢量，試設(shè)計一個線性神經(jīng)網(wǎng)絡(luò)來擬合這對數(shù)組的函數(shù)關(guān)系，并用測試數(shù)據(jù)進行測試。實驗四

線性神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用

輸入與目標數(shù)據(jù)如下：

輸入數(shù)據(jù)：P=-1:0.1:1

期望目標數(shù)據(jù)：T=[-0.960.577-0.07290.3770.6410.660.4610.13360.201-0.434-0.5-0.393-0.16470.09880.30720.3960.34490.1816-0.0312-0.2183-0.3201]

測試數(shù)據(jù)為：P2=-1:0.025:1

演示程序1P=-1:0.1:1;%T=[-0.960.577-0.07290.3770.6410.660.4610.13360.201-0.434-0.5-0.393-0.16470.09880.30720.3960.34490.1816-0.0312-0.2183-0.3201];%創(chuàng)建一個只有一個輸出，輸入延時為0，學習速率為0.01的%線性神經(jīng)網(wǎng)絡(luò)，minmax(P)表示樣%本數(shù)據(jù)的取值范圍%net=newlin(minmax(P),1,0,0.01);%%對創(chuàng)建的線性神經(jīng)網(wǎng)絡(luò)進行初始化，設(shè)置權(quán)值和閾值的初始值%net=init(net);%%設(shè)置網(wǎng)絡(luò)訓練后的目標誤差為0.0001%net=train(net,P,T);%在坐標平面上畫出差值曲線%建立一個目標誤差為0，徑向基函數(shù)的分布密度為0.net=newlin(minmax(P),1,0,0.subplot(2,2,4);Y1=sim(net,Q);%因原函數(shù)與逼近函數(shù)重合，要看到兩個圖像y應(yīng)該加一個小的偏移net=newrb(p,t,0,0.%所對應(yīng)的類別用約定的符號畫出1、實驗中構(gòu)建的RBF神經(jīng)網(wǎng)絡(luò)的合適的擴展參數(shù)在什么范圍內(nèi)？set(hndl2,'linewidth',2);3、有下面一組樣本數(shù)據(jù)：輸入數(shù)據(jù)為P=[0001;1011],目標值為[0110]，能否使用單層感知器對其進行正確分類，請編寫MATLAB程序驗證，并對結(jié)果進行分析？3000、5000、10000E1=mae(Y-T);%title('線性神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù)的MATLAB實現(xiàn)');探測網(wǎng)絡(luò)合適的訓練次數(shù)title('使用訓練數(shù)據(jù)測試RBF神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù)');%對訓練后的網(wǎng)絡(luò)進行仿真，即根據(jù)訓練后的網(wǎng)絡(luò)和樣本數(shù)據(jù)給出輸出plot(1:4,error,'-');%使用訓練函數(shù)對創(chuàng)建的網(wǎng)絡(luò)進行訓練legend('BP神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù)','原數(shù)據(jù)')sum=sum+i;hndl2=plot(p,t);%并且網(wǎng)絡(luò)只有一個神經(jīng)元的感知器神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元的個數(shù)的最大值：Y1=sim(net,Q);探測合適的隱含層的神經(jīng)元個數(shù)Target=[0.%訓練函數(shù)為梯度下降函數(shù)，即節(jié)中所描述的標準學習算法。set(hndl1,'color','red');實驗七

RBF神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用%設(shè)置第四個圖形的繪圖位置為第二行第二列%給定測試數(shù)據(jù)，檢測訓練好的神經(jīng)網(wǎng)絡(luò)的性能%title('BP神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù)的MATLAB實現(xiàn)');實驗七RBF神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用plotsom(w1,net.%plot(ytest,'d','MarkerFaceColor','r','MarkerSize',8);plot(y,T_test,'r--');5，隱含層神經(jīng)元個數(shù)的最大值為21，每%在坐標平面上畫出差值曲線T=[1101];探測合適的隱含層的神經(jīng)元個數(shù)%+++++++++++++++++++++++++++++++演示程序1%有-------標記間的部分為擬合函數(shù)時的程序，有+++++++++++標記間的部分為測試時的程序%-----------------------------%y=sim(net,P);%%求解網(wǎng)絡(luò)的均方誤差值%E=mse(y-T);%%獲取繪圖句柄%hndl1=plot(P,y);%%設(shè)置線寬為2%set(hndl1,'linewidth',2);%%設(shè)置線的顏色為紅色%set(hndl1,'color','red');%holdon%hndl2=plot(P,T);演示程序1%set(hndl2,'linewidth',2);%%設(shè)置圖形標題%title('線性神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù)的MATLAB實現(xiàn)');%%設(shè)置圖例%legend('線性神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù)','原線性數(shù)據(jù)')%%------------------------------------------------%從此處到標記為+++++++++++的部分為測試時的程序,測試用此部分程序替換-------------間的程序%%測試數(shù)據(jù)%P2=-1:0.025:1;%ytest=sim(net,P2);%plot(ytest,'d','MarkerFaceColor','r','MarkerSize',8);%holdon%plot(T,'s','MarkerEdgeColor','k','MarkerFaceColor','g','MarkerSize',12);%+++++++++++++++++++++++++++實驗四

線性神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用

思考題

1、一線性神經(jīng)網(wǎng)絡(luò)的輸入為P=[1.1-1.3]，目標為T=[0.61];設(shè)權(quán)值和偏置的初始值為0，學習速率為0.01，請計算出此網(wǎng)絡(luò)前二次的權(quán)值和偏置的值？實驗四

線性神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用

權(quán)值調(diào)整公式（見《神經(jīng)網(wǎng)絡(luò)實用教程》p27）

實驗四

線性神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用第一次調(diào)整實際輸出：實驗四

線性神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用第一次調(diào)整實際輸出：實驗四

線性神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用思考題2、用MATLAB編程實現(xiàn)第1題，要求輸出每一次迭代后的權(quán)值和偏置。

演示程序2%線性神經(jīng)網(wǎng)絡(luò)擬合曲線輸出權(quán)值演示程序%輸入樣本數(shù)NPATS=2;%輸入樣本值矩陣Patterns=[1.1-1.3];%輸出目標值Target=[0.61];%學習率LearnRate=0.01;演示程序2%將偏置看作輸入的第一個分量，組成網(wǎng)絡(luò)輸入值Inputs=[ones(1,2);Patterns];%權(quán)值初始化Weights=[00];%循環(huán)計算權(quán)值和偏置的改變值fori=1:3%計算神經(jīng)元的輸出Result=(Weights*Inputs);演示程序2%判斷實際輸出與目標值是否相等，相等則結(jié)束迭代，否則進入下一輪迭代ifResult==Target,break,end%按LMS誤差學習算法調(diào)整權(quán)值Weights=Weights+2*LearnRate*(Target-Result)*Inputs';%在顯示器上輸出權(quán)值編號其對應(yīng)值fprintf('%2d.Weights=',i);disp(Weights);end謝謝！實驗五BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用（一）講解實驗五BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用

實驗五

BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用

1、有21組單輸入矢量和相對應(yīng)的目標矢量，試設(shè)計一個線性神經(jīng)網(wǎng)絡(luò)來擬合這對數(shù)組的函數(shù)關(guān)系，并用測試數(shù)據(jù)進行測試。實驗五

BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用

存在的問題1、激活函數(shù)的選擇

tansig的定義域為負無窮到正無窮，值域為-1到1，logsig的定義域為負無窮到正無窮，值域為0到12、結(jié)果如何顯示？

E1=mae(Y-T);C=[1112222111]hndl1=plot(P,y);%創(chuàng)建一個BP神經(jīng)網(wǎng)絡(luò)，每一個輸入向量的取值范圍為[-1,1]，隱含層有5個神經(jīng)元，輸出層5，隱含層神經(jīng)元個數(shù)的最大值為21，每實驗七

RBF神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用h=figure('name','這是一個顯示多個激活函數(shù)圖形的程序');%神經(jīng)網(wǎng)絡(luò)并輸出分類結(jié)果。3000、5000、100002、現(xiàn)需要對一組數(shù)據(jù)進行分類,設(shè)樣本數(shù)據(jù)的輸入數(shù)據(jù)為P=[-0.%創(chuàng)建一個新的繪圖窗口%設(shè)計并訓練一個對與運算進行分類的單層感知器神經(jīng)網(wǎng)絡(luò)2、構(gòu)建的SOM神經(jīng)網(wǎng)絡(luò)每一次運行的結(jié)果是不是都一樣？實驗三單層感知器的構(gòu)建與使用%創(chuàng)建一個BP神經(jīng)網(wǎng)絡(luò)，每一個輸入向量的取值范圍為[-1,1]，隱含層有21個神經(jīng)元，實驗六

BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用（二）plot(x,u,'b-')net=newlin(minmax(P),1,0,0.%設(shè)置第二個圖形的繪圖位置為第一行第二列%y=sim(net,P);實驗三單層感知器的構(gòu)建與使用y=sim(net,P);實驗五

BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用

輸入與目標數(shù)據(jù)如下：

輸入數(shù)據(jù)：P=-1:0.1:1

期望目標數(shù)據(jù)：T=[-0.960.577-0.07290.3770.6410.660.4610.13360.201-0.434-0.5-0.393-0.16470.09880.30720.3960.34490.1816-0.0312-0.2183-0.3201]

測試數(shù)據(jù)為：P2=-1:0.025:1

BP演示程序%%本函數(shù)演示BP網(wǎng)絡(luò)對非線性數(shù)據(jù)的逼近效果%%下面為用BP神經(jīng)網(wǎng)絡(luò)逼近非線性數(shù)據(jù)的演示程序%輸入樣本P=-1:0.1:1;T=[-0.960.577-0.07290.3770.6410.660.4610.13360.201-0.434-0.5-0.393-0.16470.09880.30720.3960.34490.1816-0.0312-0.2183-0.3201];%創(chuàng)建一個BP神經(jīng)網(wǎng)絡(luò)，每一個輸入向量的取值范圍為[-1,1]，隱含層有5個神經(jīng)元，輸出層%有一個神經(jīng)元，隱含層的激活函數(shù)為tansig，輸出層的激活函數(shù)為logsig，訓練函數(shù)為梯度下%降函數(shù)，即節(jié)中所描述的標準學習算法net=newff([-11],[5,1],{'tansig','tansig'},'traingd');%可以改變訓練步數(shù)為3000、5000、10000來查看網(wǎng)絡(luò)的訓練結(jié)果%目標誤差設(shè)為0.01BP演示程序%設(shè)置學習速率為0.1LP.lr=0.1;net=train(net,P,T);%有-------標記間的部分為擬合函數(shù)時的程序，有+++++++++++標記間的部分為測試時的程序%-----------------------------y=sim(net,P);figurehndl1=plot(P,y);%設(shè)置線寬為2set(hndl1,'linewidth',2);%設(shè)置線的顏色為紅色set(hndl1,'color','red');holdonhndl2=plot(P,T);BP演示程序set(hndl2,'linewidth',2);%設(shè)置圖形標題title('BP神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù)的MATLAB實現(xiàn)');%設(shè)置圖例legend('BP神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù)','原數(shù)據(jù)')%-----------------------------%從此處到標記為+++++++++++的部分為測試時的程序,測試用此部分程序替換-------------間的程序%測試數(shù)據(jù)%測試%P2=-1:0.05:1;%ytest=sim(net,P2);%figure%hndl1=plot(P2,ytest);BP演示程序%%設(shè)置線寬為2%set(hndl1,'linewidth',2);%%設(shè)置線的顏色為紅色%set(hndl1,'color','red');%holdon%hndl2=plot(P,T);%set(hndl2,'linewidth',2);%%設(shè)置圖形標題%title('BP神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù)的MATLAB實現(xiàn)');%%設(shè)置圖例%legend('BP神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù)','原數(shù)據(jù)')%+++++++++++++++++++++++++++++++線性網(wǎng)絡(luò)演示程序%%本函數(shù)演示線性神經(jīng)網(wǎng)絡(luò)對非線性數(shù)據(jù)的逼近效果%%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P=-1:0.1:1;T=[-0.960.577-0.07290.3770.6410.660.4610.13360.201-0.434-0.5-0.393-0.16470.09880.30720.3960.34490.1816-0.0312-0.2183-0.3201];%創(chuàng)建一個只有一個輸出，輸入延時為0，學習速率為0.01的%線性神經(jīng)網(wǎng)絡(luò)，minmax(P)表示樣本數(shù)據(jù)的取值范圍net=newlin(minmax(P),1,0,0.01);%對創(chuàng)建的線性神經(jīng)網(wǎng)絡(luò)進行初始化，設(shè)置權(quán)值和閾值的初始值net=init(net);%設(shè)置網(wǎng)絡(luò)訓練后的目標誤差為0.0001線性網(wǎng)絡(luò)演示程序net=train(net,P,T);%有-------標記間的部分為擬合數(shù)據(jù)時的程序，有+++++++++++標記間的部分為測試時的程序%-----------------------------y=sim(net,P);%求解網(wǎng)絡(luò)的均方誤差值E=mse(y-T);figure%獲取繪圖句柄hndl1=plot(P,y);%設(shè)置線寬為2set(hndl1,'linewidth',2);%設(shè)置線的顏色為紅色set(hndl1,'color','red');線性網(wǎng)絡(luò)演示程序holdonhndl2=plot(P,T);set(hndl2,'linewidth',2);%設(shè)置圖形標題title('線性神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù)的MATLAB實現(xiàn)');%設(shè)置圖例legend('線性神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù)','原線性數(shù)據(jù)')%------------------------------------------------%從此處到標記為+++++++++++的部分為測試時的程序,測試用此部分程序替換-------------間的程序%測試數(shù)據(jù)%P2=-1:0.025:1;%ytest=sim(net,P2);%figure線性網(wǎng)絡(luò)演示程序%獲取繪圖句柄%hndl1=plot(P2,ytest);%設(shè)置線寬為2%set(hndl1,'linewidth',2);%設(shè)置線的顏色為紅色%set(hndl1,'color','red');%holdon%hndl2=plot(P,T);%set(hndl2,'linewidth',2);%設(shè)置圖形標題%title('線性神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù)的MATLAB實現(xiàn)');%設(shè)置圖例%legend('線性神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù)','原線性數(shù)據(jù)')%+++++++++++++++++++++++++++++++謝謝！實驗六BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用（二）講解實驗六BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用（二）

實驗六

BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用（二）

使用BP神經(jīng)網(wǎng)絡(luò)對正弦函數(shù)進行逼近實驗六

BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用（二）存在的問題1、激活函數(shù)的選擇2、訓練次數(shù)的確定3、隱含層神經(jīng)元個數(shù)的確定

實驗六

BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用（二）實驗內(nèi)容1數(shù)據(jù)：輸入樣本數(shù)據(jù)：P=-2:0.1:2;期望目標數(shù)據(jù)：T=sin(2*P);測試數(shù)據(jù)：P=-2:0.05:2;

實驗六

BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用（二）實驗內(nèi)容2：探測網(wǎng)絡(luò)合適的訓練次數(shù)最大訓練次數(shù)設(shè)置為3000、5000、10000

觀測效果

實驗六

BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用（二）實驗內(nèi)容3：探測合適的隱含層的神經(jīng)元個數(shù)設(shè)置隱含層神經(jīng)網(wǎng)絡(luò)的個數(shù)為2個、8個、10個、20個，比較效果

實驗六

BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用（二）實驗內(nèi)容4：輸入的正弦函數(shù)改為sin(3*P)、sin(4*P)、sin(8*P)時

觀測逼近效果

實驗六

BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用（二）思考題1、實驗中構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)的合適的訓練次數(shù)在什么范圍內(nèi)？2、實驗中構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)的合適的隱含層神經(jīng)元的個數(shù)在什么范圍內(nèi)？演示程序%%本函數(shù)演示BP網(wǎng)絡(luò)對非線性數(shù)據(jù)的逼近效果%%下面為用BP神經(jīng)網(wǎng)絡(luò)逼近非線性數(shù)據(jù)的演示程序clcclearcloseall%輸入樣本P=-2:0.1:2;T=sin(4*P);%創(chuàng)建一個BP神經(jīng)網(wǎng)絡(luò)，每一個輸入向量的取值范圍為[-1,1]，隱含層有5個神經(jīng)元，%輸出層有一個神經(jīng)元，隱含層的激活函數(shù)為tansig，輸出層的激活函數(shù)為logsig，%訓練函數(shù)為梯度下降函數(shù)，即節(jié)中所描述的標準學習算法。%可改變隱含層神經(jīng)元個數(shù)為2、8、10、20測試網(wǎng)絡(luò)性能net=newff([-11],[5,1],{'tansig','tansig'},'traingd');%可以改變訓練步數(shù)為3000、5000、10000來查看網(wǎng)絡(luò)的訓練結(jié)果演示程序%目標誤差設(shè)為0.01%設(shè)置學習速率為0.1LP.lr=0.1;net=train(net,P,T);%有-------標記間的部分為擬合函數(shù)時的程序，有+++++++++++標記間的部分為測試時的程序%-----------------------------y=sim(net,P);subplot(2,1,1)hndl1=plot(P,y);%設(shè)置線寬為2set(hndl1,'linewidth',2);%設(shè)置線的顏色為紅色set(hndl1,'color','red');holdon演示程序hndl2=plot(P,T);set(hndl2,'linewidth',2);%設(shè)置圖形標題title('使用訓練數(shù)據(jù)測試BP神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù)');%設(shè)置圖例%legend('BP神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù)','原數(shù)據(jù)')%-----------------------------%從此處到標記為+++++++++++的部分為測試時的程序,測試用此部分程序替換-------------間的程序%測試數(shù)據(jù)%測試P2=-2:0.05:2;ytest=sim(net,P2);subplot(2,1,2)3]對構(gòu)建好的神經(jīng)網(wǎng)絡(luò)進行測試,并評價其性能.實驗八

SOM神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用3000、5000、10000%繪出訓練后自組織神經(jīng)網(wǎng)絡(luò)的權(quán)值分布圖%根據(jù)預(yù)測方法得到輸入向量和目標向量Y1=[0110];%給定測試數(shù)據(jù)，檢測訓練好的神經(jīng)網(wǎng)絡(luò)的性能%++++++++++++++++++++%實驗三第3題演示程序?qū)嶒灹?/p>

BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用（二）%有-------標記間的部分為擬合數(shù)據(jù)時的程序，有+++++++++++標記間的部分為測試時的程序hndl2=plot(P,T);set(hndl1,'color','red');觀測競爭層神經(jīng)元個數(shù)改變的影響set(hndl1,'color','red');探測合適的隱含層的神經(jīng)元個數(shù)%有-------標記間的部分為擬合函數(shù)時的程序，有+++++++++++標記間的部分為測試時的程序y=sim(net,P);%訓練函數(shù)為梯度下降函數(shù)，即節(jié)中所描述的標準學習算法。subplot(2,2,3);P=[0101;0011];演示程序hndl1=plot(P2,ytest);%設(shè)置線寬為2set(hndl1,'linewidth',2);%設(shè)置線的顏色為紅色set(hndl1,'color','red');holdonhndl2=plot(P,T);set(hndl2,'linewidth',2);%設(shè)置圖形標題title('使用測試數(shù)據(jù)測試BP神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù)');%設(shè)置圖例%legend('BP神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù)','原數(shù)據(jù)')%++++++++++++++++++++謝謝！實驗七RBF神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用講解實驗七RBF神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用

實驗七

RBF神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用

使用RBF神經(jīng)網(wǎng)絡(luò)對指定函數(shù)進行逼近實驗七

RBF神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用存在的問題1、點乘的使用2、仿真輸出與實際函數(shù)的顯示3、擴展參數(shù)的確定

4、基神經(jīng)元個數(shù)的確定

實驗七

RBF神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用實驗內(nèi)容1對下述函數(shù)的逼近

演示程序%建立一個徑向基神經(jīng)網(wǎng)絡(luò)，對非線性函數(shù)進行逼近，并作出網(wǎng)絡(luò)的逼近誤差曲線。%clcclearcloseall%輸入從0開始變化到4，每次變化幅度為0.1p=0:0.2:4;t=exp(-p).*sin(p);%建立一個目標誤差為0，徑向基函數(shù)的分布密度為0.5，隱含層神經(jīng)元個數(shù)的最大值為21，每%增加5個神經(jīng)元顯示一次結(jié)果net=newrb(p,t,0,0.5,50,5);ysim=sim(net,p);演示程序subplot(2,1,1)hndl1=plot(p,ysim);%設(shè)置線寬為2set(hndl1,'linewidth',2);%設(shè)置線的顏色為紅色set(hndl1,'color','red');holdon%因原函數(shù)與逼近函數(shù)重合，要看到兩個圖像y應(yīng)該加一個小的偏移%hndl2=plot(p,t+0.01);hndl2=plot(p,t);set(hndl2,'linewidth',2);演示程序%設(shè)置圖形標題title('使用訓練數(shù)據(jù)測試RBF神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù)');%%下面為使用測試數(shù)據(jù)對訓練好的神經(jīng)網(wǎng)絡(luò)效果進行測試xtest=0:0.01:4;%ttest=exp(-xtest).*sin(xtest);ytestsim=sim(net,xtest);subplot(2,1,2)hndl1=plot(xtest,ytestsim);演示程序%設(shè)置線寬為2set(hndl1,'linewidth',2);%設(shè)置線的顏色為紅色set(hndl1,'color','red');holdon%hndl2=plot(p,t+0.01);hndl2=plot(p,t);set(hndl2,'linewidth',2);%設(shè)置圖形標題title('使用測試數(shù)據(jù)測試RBF神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù)');實驗七

RBF神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用實驗內(nèi)容2：觀測改變擴展參數(shù)的影響擴展參數(shù)（分布密度）設(shè)置為x0.1、0.5、0.8

觀測效果

實驗七

RBF神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用實驗內(nèi)容3：觀測隱含層神經(jīng)元最大個數(shù)改變的影響隱含層神經(jīng)元的個數(shù)的最大值：1個、5個、10個、30個

實驗七

RBF神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用補充：與BP神經(jīng)網(wǎng)絡(luò)的比較

演示程序%%本函數(shù)演示BP網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)對函數(shù)的逼近效果%%下面為用BP神經(jīng)網(wǎng)絡(luò)逼近函數(shù)%輸入樣本P=0:0.2:4;T=exp(-P).*sin(P);%創(chuàng)建一個BP神經(jīng)網(wǎng)絡(luò)，每一個輸入向量的取值范圍為[-1,1]，隱含層有21個神經(jīng)元，%輸出層有一個神經(jīng)元，隱含層的激活函數(shù)為tansig，輸出層的激活函數(shù)為logsig，%訓練函數(shù)為梯度下降函數(shù)，即節(jié)中所描述的標準學習算法。%可改變隱含層神經(jīng)元個數(shù)為2、8、10、20測試網(wǎng)絡(luò)性能net=newff([-11],[21,1],{'tansig','tansig'},'traingd');%可以改變訓練步數(shù)為3000、5000、10000來查看網(wǎng)絡(luò)的訓練結(jié)果%目標誤差設(shè)為0.01%設(shè)置學習速率為0.1演示程序LP.lr=0.1;net=train(net,P,T);%有-------標記間的部分為擬合函數(shù)時的程序，有+++++++++++標記間的部分為測試時的程序%-----------------------------y=sim(net,P);subplot(2,1,1)hndl1=plot(P,y);%設(shè)置線寬為2set(hndl1,'linewidth',2);%設(shè)置線的顏色為紅色set(hndl1,'color','red');holdon演示程序hndl2=plot(P,T);set(hndl2,'linewidth',2);%設(shè)置圖形標題title('BP神經(jīng)網(wǎng)絡(luò)逼近函數(shù)');%%下面為BRF神經(jīng)網(wǎng)絡(luò)對函數(shù)的逼近%建立一個徑向基神經(jīng)網(wǎng)絡(luò)，對非線性函數(shù)進行逼近，并作出網(wǎng)絡(luò)的逼近誤差曲線。%%輸入從0開始變化到4，每次變化幅度為0.1p=0:0.2:4;t=exp(-p).*sin(p);%建立一個目標誤差為0，徑向基函數(shù)的分布密度為0.5，隱含層神經(jīng)元個數(shù)的最大值為21，每%增加5個神經(jīng)元顯示一次結(jié)果net=newrb(p,t,0,0.5,21,5);演示程序ysim=sim(net,p);subplot(2,1,1)hndl1=plot(p,ysim);%設(shè)置線寬為2set(hndl1,'linewidth',2);%設(shè)置線的顏色為紅色set(hndl1,'color','red');holdon%因原函數(shù)與逼近函數(shù)重合，要看到兩個圖像y應(yīng)該加一個小的偏移%hndl2=plot(p,t+0.01);hndl2=plot(p,t);set(hndl2,'linewidth',2);%設(shè)置圖形標題title('RBF神經(jīng)網(wǎng)絡(luò)逼近函數(shù)');實驗七

RBF神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用思考題1、實驗中構(gòu)建的RBF神經(jīng)網(wǎng)絡(luò)的合適的擴展參數(shù)在什么范圍內(nèi)？2、實驗中構(gòu)建的RBF神經(jīng)網(wǎng)絡(luò)的合適的隱含層神經(jīng)元的個數(shù)最大值在什么范圍內(nèi)？謝謝！實驗八SOM神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用講解實驗八SOM神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用

實驗八

SOM神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用

使用SOM神經(jīng)網(wǎng)絡(luò)對指定數(shù)據(jù)進行聚類實驗八

SOM神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用

存在的問題1、單值向量與下標向量的轉(zhuǎn)換2、競爭層的網(wǎng)絡(luò)拓撲結(jié)構(gòu)3、聚類結(jié)果的顯示

4、競爭層神經(jīng)元的數(shù)量

實驗八

SOM神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用實驗內(nèi)容1對指定數(shù)據(jù)進行聚類并測試

實驗八

SOM神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用

實驗內(nèi)容2：單值向量與下標向量的轉(zhuǎn)換結(jié)果顯示實驗八

SOM神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用vec2ind()功能將單值向量組變換成下標向量格式

ind=vec2ind(vec)說明式中，vec為m行n列的向量矩陣x，x中的每個列向量i，除包含一個1外，其余元素均為0，ind為n個元素值為1所在的行下標值構(gòu)成的一個行向量。實驗八

SOM神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用C=[1112222111]

(1,1)1(1,2)1(1,3)1(2,4)1(2,5)1(2,6)1(2,7)1(1,8)1(1,9)1(1,10)111100001110001111000實驗八

SOM神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用實驗內(nèi)容3：觀測競爭層神經(jīng)元個數(shù)改變的影響隱含層神經(jīng)元的布置：[35]、[45]、[58]

演示程序1%%clcclearcloseall%建立一個自組織神經(jīng)網(wǎng)絡(luò)對上述數(shù)據(jù)分類，%測試訓練后的自組織神經(jīng)網(wǎng)絡(luò)的性能，判斷其屬于哪個類別。P=[-6-4-2-4-60-4-64-6;02-220-220-20];%創(chuàng)建一個自組織神經(jīng)網(wǎng)絡(luò)，[01;01]表示輸入數(shù)據(jù)的取值范圍在[0，1]之間，%[3，4]表示競爭層組織結(jié)構(gòu)為34，其余參數(shù)取默認值。演示程序1%競爭層也可以選取下面布局形式：[35]、[45]、[58],拓撲結(jié)構(gòu)有g(shù)ridtop,hextop,randtopnet=newsom([01;01],[58]);net=init(net);net=train(net,P);y=sim(net,P)%pausey=vec2ind(y)演示程序1%pause%獲取訓練后的自組織神經(jīng)網(wǎng)絡(luò)的權(quán)值w1=net.IW{1,1};%繪出訓練后自組織神經(jīng)網(wǎng)絡(luò)的權(quán)值分布圖plotsom(w1,net.layers{1}.distances);q=1:1:10;plot(q,y,'bd','MarkerFaceColor','b','MarkerSize',10)演示程序1holdon%輸入測試數(shù)據(jù)p=[-6;0];%對網(wǎng)絡(luò)進行測試y_test=sim(net,p);%將測試數(shù)據(jù)所得到的將單值向量組變換成下標向量y_test=vec2ind(y_test);r=1;plot(r,y_test,'ro','MarkerFaceColor','r','MarkerSize',10)實驗八

SOM神經(jīng)網(wǎng)絡(luò)的構(gòu)建與使用思考題1、實驗中構(gòu)建的SOM神經(jīng)網(wǎng)絡(luò)合適的競爭層神經(jīng)元布局中哪種？2、構(gòu)建的SOM神經(jīng)網(wǎng)絡(luò)每一次運行的結(jié)果是不是都一樣？謝謝！實驗九Elman神經(jīng)網(wǎng)絡(luò)實驗程序%根據(jù)預(yù)測方法得到輸入向量和目標向量P=[0.44130.47070.69530.81330.43790.46770.69810.80020.45170.47250.70060.8201;0.43790.46770.69810.80020.45170.47250.70060.82010.45570.47900.70190.8211;0.45170.47250.70060.82010.45570.47900.70190.82110.46010.48110.71010.8298;]';T=[0.45570.47900.70190.8211;0.46010.48110.71010.82