《MATLAB-神經(jīng)網(wǎng)絡(luò)工具箱PPT精選文檔.ppt》由會(huì)員分享，可在線閱讀，更多相關(guān)《MATLAB-神經(jīng)網(wǎng)絡(luò)工具箱PPT精選文檔.ppt（20頁(yè)珍藏版）》請(qǐng)?jiān)趨R文網(wǎng)上搜索。

1、MATLAB神經(jīng)網(wǎng)絡(luò)工具箱1神經(jīng)元模型Neuron Model：多輸入，單輸出，帶偏置輸入:R維列向量權(quán)值:R維行向量閥值:標(biāo)量求和單元傳遞函數(shù)輸出常用傳遞函數(shù)aWp-b1-1u閾值函數(shù)MATLAB函數(shù):hardlimMATLAB函數(shù):hardlims線性函數(shù)uPurelin Transfer Function：anMATLAB函數(shù):purelinSigmoid函數(shù)uSigmoid Function：u特性：值域a(0,1)非線性，單調(diào)性無(wú)限次可微|n|較小時(shí)可近似線性函數(shù)|n|較大時(shí)可近似閾值函數(shù)MATLAB函數(shù):logsig(對(duì)數(shù)),tansig(正切)對(duì)數(shù)Sigmoid函數(shù)正切Sigmo

2、id函數(shù)單層神經(jīng)網(wǎng)絡(luò)模型R維輸入,S個(gè)神經(jīng)元的單層神經(jīng)網(wǎng)絡(luò)模型多層神經(jīng)網(wǎng)絡(luò)模型 前饋神經(jīng)網(wǎng)絡(luò)u前饋神經(jīng)網(wǎng)絡(luò)(feed forward NN)：各神經(jīng)元接受前級(jí)輸入，并輸出到下一級(jí)，無(wú)反饋，可用一有向無(wú)環(huán)圖表示。u前饋網(wǎng)絡(luò)通常分為不同的層(layer)，第i層的輸入只與第i-1層的輸出聯(lián)結(jié)。u可見層：輸入層(input layer)和輸出層(output layer)u隱藏層(hidden layer)：中間層感知器u感知器(perceptron):單層網(wǎng)絡(luò),傳遞函數(shù)為閥值函數(shù)u主要功能是模式分類感知器的生成函數(shù)newp用來(lái)生成一個(gè)感知器神經(jīng)網(wǎng)絡(luò)net=newp(pr,s,tf,lf)net:函

3、數(shù)返回參數(shù),表示生成的感知器網(wǎng)絡(luò) pr:一個(gè)R2矩陣,由R維輸入向量的每維最小值和最 大值組成 s:神經(jīng)元的個(gè)數(shù) tf:感知器的傳遞函數(shù),默認(rèn)為hardlim,可選hardlims lf:感知器的學(xué)習(xí)函數(shù),默認(rèn)為learnp,可選learnpnnet=newp(-2,+2;-2,+2,2)%生成一個(gè)二維輸入,兩個(gè)神經(jīng)元的感知器感知器的權(quán)值和閥值初始化p newp默認(rèn)權(quán)值和閥值為零(零初始化函數(shù)initzero).net=newp(-2,+2;-2,+2,2);W=net.IW1,1%顯示網(wǎng)絡(luò)的權(quán)值b=net.b1%顯示網(wǎng)絡(luò)的閥值W=0 00 0b=0 0 p 改變默認(rèn)初始化函數(shù)為隨機(jī)函數(shù)ran

4、dsnet.inputweights1,1.InitFcn=rands;net.biases1.InitFcn=rands;net=init(net);%重新初始化p 直接初始化定義權(quán)值和閥值net.IW1,1=1 2;net.b1=1感知器學(xué)習(xí)u感知器學(xué)習(xí)算法權(quán)值增量:閥值增量:權(quán)值更新:閥值更新:u算法改進(jìn)輸入樣本歸一化權(quán)值和閥值訓(xùn)練與學(xué)習(xí)函數(shù)trainnet=train(net,P,T)設(shè)計(jì)好的感知器并不能馬上投入使用.通過(guò)樣本訓(xùn)練,確定感知器的權(quán)值和閥值.輸入向量目標(biāo)向量被訓(xùn)練網(wǎng)絡(luò)net.tranParam.epochs=10;%預(yù)定的最大訓(xùn)練次數(shù)為10,感知器經(jīng)過(guò)最多訓(xùn)練10次后停止

5、,adaptnet=adapt(net,P,T)自適應(yīng)訓(xùn)練函數(shù)權(quán)值和閥值學(xué)習(xí)函數(shù)learnpdW=learnp(W,P,Z,N,A,T,E,D,gW,gA,LP,LS)dW:權(quán)值或閥值的變化矩陣W:權(quán)值矩陣或閥值向量P:輸入向量T:目標(biāo)向量E:誤差向量其他可以忽略,設(shè)為 learnpn歸一化學(xué)習(xí)函數(shù)網(wǎng)絡(luò)仿真函數(shù)sima=sim(net,P)輸入向量網(wǎng)絡(luò)輸出分類結(jié)果顯示繪圖函數(shù)plotpvplotpv(P,T)plotpcplotpc(W,b)畫輸入向量的圖像畫分類線 根據(jù)給定的樣本輸入向量P和目標(biāo)向量T,以及需分類的向量組Q,創(chuàng)建一個(gè)感知器,對(duì)其進(jìn)行分類.例:創(chuàng)建一個(gè)感知器P=-0.5-0.6

6、 0.7;0.8 0 0.1;%已知樣本輸入向量T=1 1 0;%已知樣本目標(biāo)向量net=newp(-1 1;-1 1,1);%創(chuàng)建感知器handle=plotpc(net.iw1,net.b1);%返回劃線的句柄net.trainParam.epochs=10;%設(shè)置訓(xùn)練最大次數(shù)net=train(net,P,T);%訓(xùn)練網(wǎng)絡(luò)Q=0.6 0.9-0.1;-0.1-0.5 0.5;%已知待分類向量Y=sim(net,Q);%二元分類仿真結(jié)果 figure;%新建圖形窗口plotpv(Q,Y);%畫輸入向量handle=plotpc(net.iw1,net.b1,handle)%畫分類線實(shí)驗(yàn)一

7、利用感知器進(jìn)行分類(1)一個(gè)經(jīng)過(guò)訓(xùn)練的感知器對(duì)5個(gè)輸入向量進(jìn)行分類(2類)。Step 1 兩個(gè)長(zhǎng)度為5的向量構(gòu)成輸入樣本矩陣P，行向量T為目標(biāo)向量。利用PLOTPV畫出這個(gè)向量的圖像。例如：P=-0.5-0.5+0.3-0.1-4;-0.5+0.5-0.5+1.0 5;T=1 1 0 0 1;plotpv(P,T);%plotpv函數(shù)利用感知器的輸入向量和目標(biāo)向量來(lái)畫輸入向量的圖像Step 2建立神經(jīng)網(wǎng)絡(luò) 畫輸入向量的圖像 MATLAB提供函數(shù)newp來(lái)創(chuàng)建一個(gè)指定的感知器。第一個(gè)參數(shù)指定了期望的兩個(gè)輸入向量的取值范圍，第二個(gè)參數(shù)指定了只有一個(gè)神經(jīng)元。net=newp(-40 1;-1 50,

8、1);注意：這個(gè)神經(jīng)元的傳遞函數(shù)是hardlim函數(shù)，也就是階躍函數(shù)。取0，1兩個(gè)值。Hardlims函數(shù)，取-1，1兩個(gè)值。實(shí)驗(yàn)一 利用感知器進(jìn)行分類(2)添加神經(jīng)元的初始化值到分類圖添加神經(jīng)元的初始化值到分類圖 Step3 初始化的權(quán)值被設(shè)為0，因此任何輸入都會(huì)給出同樣的輸出，并且分類線不會(huì)出現(xiàn)在這個(gè)圖中，不用害怕，我們會(huì)繼續(xù)訓(xùn)練這個(gè)神經(jīng)網(wǎng)。hold on linehandle=plotpc(net.IW1,net.b1);/plotpc函數(shù)用來(lái)畫分類線訓(xùn)練神經(jīng)網(wǎng)絡(luò)訓(xùn)練神經(jīng)網(wǎng)絡(luò) Step4 Matlab提供了adapt函數(shù)來(lái)訓(xùn)練感知器，adapt函數(shù)返回一個(gè)新的能更好的執(zhí)行分類、網(wǎng)絡(luò)的輸出

9、、和誤差的神經(jīng)網(wǎng)絡(luò)，這個(gè)劃線函數(shù)允許網(wǎng)絡(luò)從3個(gè)角度去調(diào)整，畫分類線一直到誤差為0為止。E=1;/E為誤差net.adaptParam.passes=3;/決定在訓(xùn)練過(guò)程中重復(fù)次數(shù)while(sse(E)/sse函數(shù)是用來(lái)判定誤差E的函數(shù)net,Y,E=adapt(net,P,T);/利用輸入樣本調(diào)節(jié)神經(jīng)網(wǎng)netlinehandle=plotpc(net.IW1,net.b1,linehandle);/畫出調(diào)整以后的分類線drawnow;/延遲一段時(shí)間end實(shí)驗(yàn)一 利用感知器進(jìn)行分類(3)Step 5 模擬模擬sim sim函數(shù)能被用來(lái)劃分任何別的輸入向量，例如劃分一個(gè)輸入向量0.7;1.2.這

10、個(gè)新點(diǎn)的圖像為紅色，他將用來(lái)顯示這個(gè)感知器如何把這個(gè)新點(diǎn)從最初的訓(xùn)練集取分開來(lái)。p=0.7;1.2;a=sim(net,p);/利用模擬函數(shù)sim計(jì)算出新輸入p的神經(jīng)網(wǎng)絡(luò)的輸出plotpv(p,a);circle=findobj(gca,type,line);set(circle,Color,red);打開hold,以便于以前的圖像不被刪除。增加訓(xùn)練裝置和分類線在圖中。hold on;plotpv(P,T);plotpc(net.IW1,net.b1);hold off;axis(-2 2-2 2);這個(gè)感知器正確的區(qū)分了我們的新點(diǎn)(用紅色表示)作為”zero”類(用圓圈表示)，而不是”one”類(用+號(hào)表示)，盡管需要比較長(zhǎng)的訓(xùn)練時(shí)間，這個(gè)感知器仍然適當(dāng)?shù)倪M(jìn)行了學(xué)習(xí)。最后放大感興趣的區(qū)域