《神经网络实用教程》讲解与源码.ppt

实验八?SOM神经网络的构建与使用 实验内容3： 观测竞争层神经元个数改变的影响 隐含层神经元的布置： [3 5]、[4 5]、[5 8] 演示程序1 % % clc clear close all % 建立一个自组织神经网络对上述数据分类， % 测试训练后的自组织神经网络的性能，判断其属于哪个类别。 P=[-6 -4 -2 -4 -6 0 -4 -6 4 -6; 0 2 -2 2 0 -2 2 0 -2 0]; %创建一个自组织神经网络，[0 1;0 1]表示输入数据的取值范围在[0，1]之间， % [3，4]表示竞争层组织结构为3 4，其余参数取默认值。 演示程序1 % 竞争层也可以选取下面布局形式：[3 5]、[4 5]、[5 8],拓扑结构有gridtop, hextop, randtop net=newsom([0 1;0 1],[5 8]); net.trainParam.epochs=100; net=init(net); net=train(net,P); y=sim(net,P) % pause y=vec2ind(y) 演示程序1 % pause %获取训练后的自组织神经网络的权值 w1=net.IW{1,1}; %绘出训练后自组织神经网络的权值分布图 plotsom(w1,net.layers{1}.distances); q=1:1:10; plot(q,y,bd,MarkerFaceColor,b,MarkerSize,10) 演示程序1 hold on %输入测试数据 p=[-6;0]; %对网络进行测试 y_test=sim(net,p); %将测试数据所得到的将单值向量组变换成下标向量 y_test=vec2ind(y_test); r=1; plot(r,y_test,ro,MarkerFaceColor,r,MarkerSize,10) 实验八?SOM神经网络的构建与使用 思考题 1、实验中构建的SOM神经网络合适的竞争层神经元布局中哪种？ 2、构建的SOM神经网络每一次运行的结果是不是都一样？ 谢谢！ 实验九 Elman神经网络实验程序 %根据预测方法得到输入向量和目标向量 P=[0.4413 0.4707 0.6953 0.8133 0.4379 0.4677 0.6981 0.8002 0.4517 0.4725 0.7006 0.8201; 0.4379 0.4677 0.6981 0.8002 0.4517 0.4725 0.7006 0.8201 0.4557 0.4790 0.7019 0.8211; 0.4517 0.4725 0.7006 0.8201 0.4557 0.4790 0.7019 0.8211 0.4601 0.4811 0.7101 0.8298;]; T=[0.4557 0.4790 0.7019 0.8211; 0.4601 0.4811 0.7101 0.8298; 0.4612 0.4845 0.7188 0.8312]; %输入向量的取值范围为[0 1]，用threshold来标记 threshold=[0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1]; %创建一个Elman神经网络，隐含层的神经元个数为17个，4个输出层神经元，隐含层激活函 %数为tansig，输出层激活函数为purelin net=newelm(threshold,[17,4],{tansig,logsig},trainlm); net.trainParam.epochs=3000; net.trainParam.goal=0.01; LP.lr=0.1; net=train(net,P,T); %输入测试数据 P_test=[0.4557 0.4790 0.7019 0.8211 0.4601 0.4811 0.7101 0.8298 0.4612 0.4845 0.7188 0.8312]; T_test=[0.4615 0.4891 0.7201 0.8330]; y=sim(net,P_test) %在测试数据下，计算网络的输出和实际目标向量之间的差值 error=y-T_test; %在坐标平面上画出差值曲线 plot(1:4,error,-); figure % %测试数据的目标数据与预测数据的关系图 plot(y,T_test,r--); hold on x=0:0.2:1; u=0:0.2:1; plot(x,u,b-) 实验六?BP神经网络的构建与使用（二） 思考题 1、实验中构建的BP神经网络的合