资源描述：
《数学建模培训--人工神经网络》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、常用的人工神经网络案例1感知器网络MatLab上机实验例1.1用newp函数设计一个单输入和一个神经元的感知器神经网络，输入的最小值和最大值为。>>net=newp([02],1);可以用下面语句来观察生成了一个什么样的神经网络。>>inputweights=net.inputWeights{1,1}inputweights=delays:0initFcn:'initzero'learn:1learnFcn:'learnp'learnParam:[]size:[11]userdata:[1x1struct]weightFcn:'dotprod'weight
2、Param:[1x1struct]从中可以看到，缺省的学习函数为learnp，网络输入给hardlim传递函数的量为数量积dotprod，即输入量和权值矩阵的乘积，然后再加上阈值。缺省的初始化函数为initzero，即权值的初始值置为0。同样地，>>biases=net.biases{1,1}biases=initFcn:'initzero'learn:1learnFcn:'learnp'learnParam:[]size:1userdata:[1x1struct]例1.2设计一个输入为二维向量的感知器网络，其边界值已定。>>net=newp([-22;-
3、22],1);和上面的例子一样，权值和阈值的初始值为0。如果不想预置为0，则必须单独生成。例如，两个权值和阈值分别为[-11]和1，应用如下语句：>>net.IW{1,1}=[-11];>>net.b{1,1}=[1];应用下面语句验证一下：>>net.IW{1,1}ans=-11>>net.b{1,1}ans=1下面来看这个感知器网络对两个输入信号的输出如何，两个信号分别位于感知器两个边界。第一个输入信号：>>P1=[1;1];>>a1=sim(net,P1)a1=1第二个输入信号：>>P2=[1;-1];>>a2=sim(net,P2)a2=0由此看出
4、，输出是正确的，感知器为输入信号进行了正确的分类。若将两个输入信号组成一个数列，则输出量也为一个数列。>>P3={[1;1],[1;-1]};>>a3=sim(net,P3)a3=[1][0]例1.3首先有newp函数生成一个神经网络。>>net=newp([-22;-22],1);其权值为：>>wts=net.IW{1,1}wts=00其阈值为：>>bias=net.b{1,1}bias=0改变权值和阈值：>>net.IW{1,1}=[3,4];>>net.b{1,1}=[5];检查权值和阈值，确实已经改变了：>>wts=net.IW{1,1}wts=3
5、4>>bias=net.b{1,1}bias=5然后应用init来复原权值和阈值。>>net=init(net);>>wts=net.IW{1,1}wts=00>>bias=net.b{1,1}bias=0由此可见，应用init可以复原感知器初始值。例1.4应用init改变网络输入的权值和阈值为随机数。>>net.inputweights{1,1}.initFcn='rands';>>net.biases{1,1}.initFcn='rands';>>net=init(net);下面验证一下权值和阈值：>>wts=net.IW{1,1}wts=0.8116
6、-0.7460>>bias=net.b{1,1}bias=0.6294例1.5假设一个二维向量输入的感知器神经网络，其输入和期望值样本为：、、、首先，生成一个感知器网络，然后利用train函数进行训练>>net=newp([-22;-22],1);>>net.trainParam.epochs=1;%设置最大迭代次数>>p=[21-2-1;2-221];%样本>>t=[0101];%导师信号>>net=train(net,p,t);>>w=net.IW{1,1}w=-3-1>>b=net.b{1,1}b=0对输入向量进行仿真验证>>sim(net,p)an
7、s=0011可见，网络仿真结果没有达到期望值，通过调整训练最大次数可以看其结果。>>net.trainParam.epochs=20;>>net=train(net,p,t);>>sim(net,p)ans=0101因此训练是成功的，训练规则具有一定的收敛性，并且能够达到精度。例1.6设计一个二输入感知器神经网络，将五个输入向量分为两类。P=[-0.5-0.50.5-0.1;-0.50.5-0.51.0]T=[1100]首先，应用newp构造一个神经元感知器神经网络，然后利用plotpv画出输入向量图，与期望值1对应的输入向量用“+”表示，与期望值0对应的
8、输入向量用“o”表示。>>P=[-0.5-0.50.5-0.1;-
