MATLAB神网络之各函数介绍.doc

绘制三维图形 clear all; [x,y]=meshgrid(-8:0.1:8); z=sinc(x); mesh(x,y,z); 效果图如下 set(gcf,color,w); 设置图形窗口背景为白色 修改z的赋值 clear all; [x,y]=meshgrid(-10:0.3:10); r=sqrt(x.^2+y.^2)+eps; z=sin(r)./r; mesh(x,y,z) 初始化函数 clear all; net=newp([0,1;-2,2],1); disp(3?ê??ˉ???°μ?è¨?μê?￡o ) w1=net.iw{1,1} disp(3?ê??ˉ???°μ?·§?μ?a) b1=net.b{1} net.iw{1,1}=[5,6]; disp(?￡?￡?￡è¨?μ?a) w2=net.iw{1,1} net.b{1}=7; disp(·§?μ?a) b2=net.b{1} net=init(net); 利用网络初始化复原网络权值和阀值 w3=net.iw{1,1} b3=net.b{1} 例子：利用init函数将网络输入的权值与阀值改变为随机数 clear all; net=newp([0,1;-2,2],1); net.inputweights{1,1}.initFcn=rands; net.biases{1}.initFcn=rands; net=init(net); 检验权值和阀值 w=net.iw{1,1} b=net.b{1} w = 0.8116 -0.7460 b = 0.6294 感知器 plotpv函数：用于在坐标中绘制给定的样本点及其类别 plotpc函数：用于绘制感知器分界线 clear all; p=[-0.5,-0.5,0.3,-0.1,-0.8;-0.5,0.5,-0.5,1.0,0.0]; t=[1,1,0,0,0]; plotpv(p,t); 绘制样本节点 net=newp([-40,1;-1,50],1); hold on linehandles=plotpc(net.IW{1},net.b{1}); net.adaptParam.passes=3; linehandle=plotpc(net.IW{1},net.b{1}); for a=1:25 [net,y,e]=adapt(net,p,t); linehandle=plotpc(net.iw{1},net.b{1},linehandle); drawnow; end title(the kind of xiangliang) 仿真函数 在matlab中提供了sim函数，对于神经网络进行仿真，格式： [y,pf,af,perf]=sim(net,p,pi,ai,t) [y,pf,af]=sim(net,{q ts},pi,ai) 设计一个输入为二维向量的感知器网络，其边界值已定。 clear all; format compact net=newp([-2,2;-2,2],1); net.IW{1,1}=[-1,1]; net.b{1}=[1]; p1=[1;1]; a1=sim(net,p1) p2=[1;-1]; a2=sim(net,p2) p3={[1;1],[1;-1]}; a3=sim(net,p3) 得到 a1 = 1 a2 = 0 a3 = [1] [0] 性能函数 Matlab神经网络工具箱提供了mae函数，用于求网络的平均绝对误差性能。感知器的学习规则为调整网络的权值和阀值，使得网络的平均绝对误差和最小。调用格式： Perf=mae(e,y,x,fp) Dperf_dy=mae(‘dy’,e,y,x,perf,fp) Dperf_dx=mae(‘dx’,e,y,x,perf,fp) Info=mae(‘code’) 其中，e为误差矩阵或向量（e=t-y, t表示网络的目标向量）；y是网络的输出向量（可以忽略）；x为所有权值和偏值向量；fp为性能参数，perf表示平均绝对误差；dperf_dy表示返回perf对y的导数；mae（code）将根据code值的不同，返回不同的信息； 返回的信息包括： 当code=name时，表示返回函数全称 当code=pnames时，表示返回训练参数的名称 当code=pdefaults时，表示返回默认的训练参数 创建一个感知器神经网络，求其平均绝对误差 clear all; net=newp([-10,10],1); p=[-10,-5,0,5,10]; t=[0,0