资源描述：
《神经网络算法.docx》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、设[P,T]是训练样本，[X,Y]是测试样本；net=newrb(P,T,err_goal,spread);%建立网络q=sim(net,p);e=q-T;plot(p,q);%画训练误差曲线q=sim(net,X);e=q-Y;plot(X,q);%画测试误差曲线训练前馈网络的第一步是建立网络对象。函数newff建立一个可训练的前馈网络。这需要4个输入参数。第一个参数是一个Rx2的矩阵以定义R个输入向量的最小值和最大值。第二个参数是一个设定每层神经元个数的数组。第三个参数是包含每层用到的传递函数名称的细胞数组。最后一个参数是用到的训练函数的名称。举个例子，下面命令将创建
2、一个二层网络。它的输入是两个元素的向量，第一层有三个神经元(3)，第二层有一个神经元(1)。第一层的传递函数是tan-sigmoid，输出层的传递函数是linear。输入向量的第一个元素的范围是-1到2[-12]，输入向量的第二个元素的范围是0到5[05]，训练函数是traingd。 net=newff([-12;05],[3,1],{'tansig','purelin'},'traingd');这个命令建立了网络对象并且初始化了网络权重和偏置，因此网络就可以进行训练了。我们可能要多次重新初始化权重或者进行自定义的初始化。下面就是初始化的详细步骤。 在训练前馈网络之前
3、，权重和偏置必须被初始化。初始化权重和偏置的工作用命令init来实现。这个函数接收网络对象并初始化权重和偏置后返回网络对象。下面就是网络如何初始化的： net=init(net); 我们可以通过设定网络参数net.initFcn和net.layer{i}.initFcn这一技巧来初始化一个给定的网络。net.initFcn用来决定整个网络的初始化函数。前馈网络的缺省值为initlay，它允许每一层用单独的初始化函数。设定了net.initFcn，那么参数net.layer{i}.initFcn也要设定用来决定每一层的初始化函数。 对前馈网络来说，有两种不同的初始化方
4、式经常被用到：initwb和initnw。initwb函数根据每一层自己的初始化参数(net.inputWeights{i,j}.initFcn)初始化权重矩阵和偏置。前馈网络的初始化权重通常设为rands，它使权重在-1到1之间随机取值。这种方式经常用在转换函数是线性函数时。initnw通常用于转换函数是曲线函数。它根据Nguyen和Widrow[NgWi90]为层产生初始权重和偏置值，使得每层神经元的活动区域能大致平坦的分布在输入空间。它比起单纯的给权重和偏置随机赋值有以下优点：（1）减少神经元的浪费（因为所有神经元的活动区域都在输入空间内）。（2）有更快的训练速度（
5、因为输入空间的每个区域都在活动的神经元范围中）。 初始化函数被newff所调用。因此当网络创建时，它根据缺省的参数自动初始化。init不需要单独的调用。可是我们可能要重新初始化权重和偏置或者进行自定义的初始化。例如，我们用newff创建的网络，它缺省用initnw来初始化第一层。如果我们想要用rands重新初始化第一层的权重和偏置，我们用以下命令： net.layers{1}.initFcn='initwb'; net.inputWeights{1,1}.initFcn='rands'; net.biases{1,1}.initFcn='rands'; net.
6、biases{2,1}.initFcn='rands'; net=init(net);IW:输入层到隐含层的权重矩阵LW:隐含层和输出层间的权重矩阵b:阀值向量如网络为net,输入层和输出均为一个接点情况下，则用net.IW{1,1}可以看到第一个输入接点到第一隐含层的权重向量；net.LW{2,1}可以看到隐含层到输出层的权值向量；net.b{1,1}是隐含层的阀值向量，net.b{2,1}是输出接点的阀值；在多输入输出下先用net.IWnet.LWnet.b查看各矩阵结构，再相应用net.IW{?,?}等语句查到相关的向量______________________
7、___________________________________________________________________________________clearall;%definetheinputandoutputp=[974874527;3884661764;131624392251;183624101860;155723011578;149018772749;151312782026;107015612794;134724153306;132427461233;138314631847;128202347
