资源描述：
《智能计算bp网络设计基于bp网络的分类和非线性函数逼近》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、1x基于BP网络的分类(1)问题的提出：在平直直角坐标系A区域中={(x,y):x6[-4,0],yG[-4,0]}随机生成1000个点，令B区域中的点为一类：B={(x,y):xe(-2.5,1),y£(-2.5,1)}A区域的其他点为一类，现在利用BP神经网络学习这个分类，并用测试集C中的点C={(xk,yk):xk=—4+0.05k,yk=—4+0.05k,k=0,1,...,80}测试C中位于B区域中的点能否被识别。(2)网络的结构：net=newff([-40;-40],[n2],{'logsig',logsig,}/trainlm71earngdm,);(3
2、)网络训练(采用不同的隐单元个数，使用常数及自适应学习率，加动量项，数值优化算法)采用不同的隐单元个数：隐层节点个数为n,本次实验取和n=14并对其进行比较。使用常数及自适应学习率：常数：net.trainParam.lr=0.1o自适应学习率：’trainlm'这个位置替换为rtraingdar(在分类中并不能换)加动量项：^rainlm*这个位置替换为^raingdm*(在分类中并不能换)数值优化算法：'trainlm*这个位置替换为^raingdx'(在分类中并不能换)(1)网络测试与结果分析：①条件：隐层节点个数n=8+学习率常数net.trainParam.l
3、r=0.1+梯度下降训练,trainglm,clearall;clc%给定训练点及目标值x=(rand(ll1000)*(-0.4))*10;y=(rand(l,1000)*(-0.4))*10;x二[x;y];T二zeros(2,size(x,2));fori=l:size(x,2);ifabs(x(lj))<2.5&&abs(x(l,i))>1&&abs(x(2,i)J<2.5&&abs(x(2,i))>1T⑴)=1;endendfori=l:size(x,2);ifT⑴)==1T(2,i)=0;elseT(2,i)=1;endendinputs=x;targets
4、=T;%创建网络n=8;net=newff([-40;-40],[n2],{'logsig''logsig'j/trainlm'/learngdm')；%Levenberg-Marquardtnet.inputs{l}.processFcns={,removeconstantrows,/mapminmax,}；%数据归一化net.outputs{2}.processFcns={,removeconstantrows7mapminmax,}；%数据归一化%%训练参数net.trainParam.epochs=2000;net.trainParam.goal=le-4;ne
5、t.trainParam.lr=0.1;%训练网络[net.tr]=trainfnetjnputs,targets);%测试网络outputs=net(inputs);errors=gsubtract(targets,outputs);performance=performfnet.targets.outputs);%%训练集合绘图figure(l);holdonfori=l:size(x,2)ifT(lj)==lplot(x(l,i),x(2,i),'b*J;endifT(2li)==lendend%%模拟绘图figure(2);test=-4:0.05:0;outp
6、ut=[J;[A,B]=meshgrid(test/test);C=[]；v=size(test,2);fori=l:vendoutput二abs(net(C));N=zeros(l,v*v);fori=l:v*v讦output(lJ)>=output(2J)N(l,i)=l;endendplot3(C(l,:),C(2,:),N,d);结果分析:4NeuralNetworkTraining(nntraintool)NeuralNetworkAlgorithmsTraining:Levenberg・Marquardt(trainlm)Performance:MeanSq
7、uaredError(mse)Calculations:MEXEpoch:Time:Performance:Gradient:Mu:ValidationChecks:02000iterations20000:00260.535!0.1250.0001000.01786.10e-05」1.00e-070.001001.00e«051.00e+10006PlotsPerformance(plotperform)TrainingStateRegression(plottrainstate)(plotregression)PlotInterval
