神经网络实验七.ppt

神经网络实验课件 实验七 广义回归神经网络与概率神经网络的设计 １、GRNN网络结构 输入层　径向基神经元 线性层 %绘制出输入向量及其类别 P=[1 2;2 2;1 1]; Tc=[1 2 3]; plot(P(1,:),P(2,:),.,markersize,30); axis([0 3 0 3]); for i=1:3,text(P(1,i)+0.1,P(2,i),… sprintf(class%g,Tc(i))),end title(三个向量及类别); xlabel(P(1,:)); ylabel(P(2,:)); * * 一、广义回归神经网络(GRNN) 2、GRNN网络的设计 调用格式： net = newgrnn(P,T,SPREAD) 功能描述： 设计一个GRNN网络 参数说明： P—Q个R维输入向量组成的R×Q矩阵. T—Q个S维期望输出向量组成的S×Q矩阵. SPREAD—径向基层的散布常数，缺省值为1. 一、广义回归神经网络(GRNN) 例1：已知8个样本点，用GRNN网络对该样本进行函数逼近 P=[1 2 3 4 5 6 7 8]; %输入变量值 T=[0 1 2 3 2 1 2 1]; %期望输出 plot(P,T,.,markersize,30); %在坐标系中画出样本点 axis([0 9 -1 4]); %调整坐标平面显示区域 title(‘待逼近函数’); %图像标题 xlabel(‘P’); %给横轴标注 ylabel(T); %给纵轴标注 一、广义回归神经网络(GRNN) 一、广义回归神经网络(GRNN) spread=0.7; %确定散布常数 net=newgrnn(P,T,spread); %设计网络 A=sim(net,P); %网络仿真 hold on; outputline=plot(P,A,O,markersize,10, … color,[1 0 0]); %画出测试结果 title(检测网络); xlabel(P); ylabel(T和A); 一、广义回归神经网络(GRNN) 一、广义回归神经网络(GRNN) p=3.5; a=sim(net,p); %对新的数据点进行仿真 plot(p,a,+,markersize,10,color,[1 0 0]); %画出测试点 xlabel(P和p); ylabel(T和a); 一、广义回归神经网络(GRNN) 一、广义回归神经网络(GRNN) P2=0:0.1:9; A2=sim(net,P2); plot(P2,A2,linewidth,4,color,[1 0 0]); %绘制拟合曲线 title(函数逼近); xlabel(P和P2); ylabel(T和A2); 一、广义回归神经网络(GRNN) 一、广义回归神经网络(GRNN) 二、概率神经网络(PNN) 1、PNN网络的结构 输入层　径向基神经元 竞争层 2、PNN网络的设计 调用格式： net = newpnn(P,T,SPREAD) 功能描述：设计一个PNN网络 参数说明： P—Q个R维输入向量组成的RxQ矩阵. T—Q个S维期望输出向量组成的SxQ矩阵. SPREAD—径向基层的散布常数,缺省值为1. 二、概率神经网络(PNN) 二、概率神经网络(PNN) 例2：已知三组二维向量 P=[1 2; 2 2; 1 1] 以及其相对应的三个类别 Tc=[1 2 3] 构建一个PNN网络实现对输入向量进行正确分类。 二、概率神经网络(PNN) 二、概率神经网络(PNN) 二、概率神经网络(PNN) *