ch 人工神经网络new.pptVIP

下载本文档

5
0
约2.26万字
约 132页
2017-03-26 发布于江苏
举报
版权申诉

ch 人工神经网络new.ppt

1、本文档共132页，可阅读全部内容。
2、有哪些信誉好的足球投注网站（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
8、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

ch 人工神经网络new

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 噪声0.2 噪声0.1 正常进一步的改善：增加训练时间；改变网络结构，如增加隐层神经元数；提高输入样本分辨率；训练时有意增加噪声；等等。课堂思考如何采用BP网络，设计邮政编码识别系统？ * * * * * * * * * * * * * * * * * * * * * * * * * * 函数逼近代码 % bp1 P=-1:0.1:1; P2=-1:0.1:1; T=[-0.96 -0.577 -0.0729 0.377 0.641 0.66 0.461 0.1336 ... -0.201 -0.434 -0.5 -0.393 -0.1647 0.0988 0.3072 ... 0.396 0.3449 0.1816 -0.0312 -0.2183 -0.3201]; plot(P,T,r+); [R,Q]=size(P);[S2,Q]=size(T);S1=5; [W1,B1]=rands(S1,R); [W2,B2]=rands(S2,S1); b1=[];b2=[]; b1=B1*ones(1,21); b2=B2*ones(1,21); a2=W2*tansig(W1*P2+b1)+b2; A2=purelin(a2); hold on plot(P,A2) hold off disp(按任一键继续) pause net=newcf(minmax(P),[5,1],{tansig,purelin},traingd); net.trainParam.epochs=7000; net.trainParam.goal=9.5238e-004; % sse=0.02 net.trainParam.lr = 0.15; [net,tr]=train(net,P,T); %训练网络 Y=sim(net,P) ; %计算结果 plot(P,Y,r-) hold plot(P,T,r+); hold off 返回返回返回迭代了1900次。改进？返回一种改进——控制初始权值 % bp6; % P=-1:0.1:1; %P2=-1:0.1:1; T=[-0.96 -0.577 -0.0729 0.377 0.641 0.66 0.461 0.1336 ... -0.201 -0.434 -0.5 -0.393 -0.1647 0.0988 0.3072 ... 0.396 0.3449 0.1816 -0.0312 -0.2183 -0.3201]; net=newcf(minmax(P),[5,1],{tansig,purelin},traingd); net.initParam = []; net = initnw(net,1); w0 = net.iw{1,1}, b0 = net.b{1}, w1 = net.lw{2,1}, b1 = net.b{2}, disp(按任一键继续) pause y=sim(net,P); %初始输出 plot(P,T,ro) %画输入矢量图 hold on plot(P,y) %画输出矢量图 hold off net.trainParam.epochs=7000; %初始化训练次数 net.trainParam.goal=9.5238e-004; % sse=0.02; net.iw{1,1}=w0*0.5;net.b{1}=b0*0.5; net.trainParam.lr = 0.15; [net tr]=train(net,P,T); %训练网络 Y=sim(net,P); %计算结果 figure(2) plot(P,T,ro) %画输入矢量图 hold on plot(P,Y)