资源描述：
《常见的几种神经网络课件.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。
1、目录一、感知器神经网络输入神经元感知器神经元的一般模型1.感知器的学习感知器的学习是有导师学习方式。感知器的训练算法的基本原理来源于著名的Hebb学习律。基本思想：逐步地将样本集中的输入到网络中,根据输出结果和理想输出之间的差别来调整网络中的权矩阵。最实用的功能：对输入向量进行分类。2.感知器的局限性①感知器神经网络的传输函数一般采用阈值函数，所以输出值只能取0或1；②感知器神经网络只能对线性可分的向量集合进行分类。理论上已经证明，只要输入向量是线性可分的，感知器在有限的时间内总能达到目标向量。③当感知器
2、神经网络的所有输入样本中存在奇异的样本时，即该样本向量同其它所有样本向量比较起来特别大或特别小时，网络训练花费的时间将很长。3.感知器神经网络仿真设计分析①newp函数功能：用于创建一个感知器网络。格式：net=newp（PR,S,TF,LF）说明：net为生成的感知器神经网络；PR为一个R×2的矩阵，有R组输入向量中的最大和最小值组成；S表示神经元的个数；TF表示感知器的激活函数，默认值为硬限幅激活函数handlim；LF表示网络的学习函数，默认值为learnp。3.感知器神经网络仿真设计分析②trai
3、n函数功能：神经网络训练函数。格式：[net,tr,Y,E,Pf,Af]=train(NET,P,T,Pi,Ai,VV,TV)说明：net为训练后的网络；tr为训练记录；Y为网络的输出向量；E为误差向量；Pf为训练终止时的输入延迟状态；Af为训练终止时的层延迟状态；NET为训练前的网络；P为网络的输入向量矩阵；T为网络的目标矩阵，默认值为0；Pi表示初始输入延时，默认值为0；Ai表示初始的层延时，默认值为0；VV为验证矢量（可省略）；TV为测试向量（可省略）。网络训练函数是一种通用的学习函数，训练函数重复
4、地把一组输入向量应用到一个网络上，每次都更新网络，直到达到了某种准则，停止准则可能是达到最大的学习步数、最小的误差梯度或误差目标等。3.感知器神经网络仿真设计分析③sim函数功能：对网络进行仿真。格式：[Y,Pf,Af,E,perf]=sim(NET,P,Pi,Ai,T)[Y,Pf,Af,E,perf]=sim(NET,{Q,TS},Pi,Ai,T)[Y,Pf,Af,E,perf]=sim(NET,Q,Pi,Ai,T)说明：Y为网络的输出向量；Pf为训练终止时的输入延迟状态；Af为训练终止时的层延迟状态；
5、E为误差向量；perf为网络的性能值；NET为要测试的网络对象；P为网络的输入向量矩阵；Pi表示初始输入延时，默认值为0；Ai表示初始的层延时，默认值为0；T为网络的目标矩阵（可省略）。Q为批处理数据的个数；TS为网络仿真的时间步数。3.感知器神经网络仿真设计分析④plotpv函数功能：绘制样本点的函数。格式：plotpv(P,T)plotpv(P,T,V)说明：P定义了n个2或3维的样本，是一个2xn维或3xn维的矩阵；T表示个样本点的类别，是一个n维的向量；V=[x_miny_minx_maxy_ma
6、x]为一设置绘图坐标值范围的向量；利用plotpv函数可以在坐标图中会出给定的样本样本点及其类别，不同的类别使用不同的符号。例如，如果T只含一元向量，则目标为0的输入向量在坐标图中用“o”表示；目标为1的输入向量在坐标图中用“+”表示。如果T含二元向量,则输入向量在坐标图中采用的符号分别为：[00]用“o”表示；[01]用“+”表示；[10]用“*”表示；[11]用“×”表示。3.感知器神经网络仿真设计分析⑤plotpc函数功能：在存在的图上绘制出感知器分类线函数。格式：plotpc(W,B)plotpc
7、(W,B,H)说明：plotpc(W,B)对含权矩阵W和阈值矩阵B的硬特性神经元的两个或三个输入画一个分类线。这一函数返回分类线的句柄以便以后调用。plotpc(W,B,H)包含从前的一次调用中返回的句柄。它在画新分类线之前，删除旧线。3.感知器神经网络仿真设计分析⑥mae函数功能：平均绝对误差性能函数。格式：perf=mae(E,X,Y,FP)info=mae(code)说明：perf表示平均绝对误差和；E为误差矩阵或向量（网络的目标向量和输出向量之差）；X为所有权值（可忽略）；Y为阈值向量（可忽略）；
8、FP为性能参数（可忽略）。mae(code)则可根据code的不同，返回不同信息，包括：deriv：返回导数函数的名称。name：返回函数全称。pnames：返回训练函数的名称。pdefaults：返回默认的训练参数。3.感知器神经网络仿真设计分析例1给定样本输入向量P，目标向量T及需要进行分类的输入向量组Q，设计一个单层感知器，对其进行分类。P=[-0.6-0.70.8;0.901];%输入向量T=[110];%目标向量ne
