数学建模培训--人工神经网络.doc

常用的人工神经网络案例 1 感知器网络MatLab上机实验 例1.1 用newp函数设计一个单输入和一个神经元的感知器神经网络，输入的最小值和最大值为。 net=newp([0 2],1); 可以用下面语句来观察生成了一个什么样的神经网络。 inputweights = net.inputWeights{1,1} inputweights = delays: 0 initFcn: initzero learn: 1 learnFcn: learnp learnParam: [] size: [1 1] userdata: [1x1 struct] weightFcn: dotprod weightParam: [1x1 struct] 从中可以看到，缺省的学习函数为learnp，网络输入给hardlim传递函数的量为数量积dotprod，即输入量和权值矩阵的乘积，然后再加上阈值。缺省的初始化函数为initzero，即权值的初始值置为0。 同样地， biases = net.biases{1,1} biases = initFcn: initzero learn: 1 learnFcn: learnp learnParam: [] size: 1 userdata: [1x1 struct] 例1.2 设计一个输入为二维向量的感知器网络，其边界值已定。 net = newp([-2 2;-2 2],1); 和上面的例子一样，权值和阈值的初始值为0。如果不想预置为0，则必须单独生成。 例如，两个权值和阈值分别为[-1 1]和1，应用如下语句： net.IW{1,1}=[-1 1]; net.b{1,1}=[1]; 应用下面语句验证一下： net.IW{1,1} ans = -1 1 net.b{1,1} ans = 1 下面来看这个感知器网络对两个输入信号的输出如何，两个信号分别位于感知器两个边界。 第一个输入信号： P1=[1;1]; a1=sim(net,P1) a1 = 1 第二个输入信号： P2=[1;-1]; a2=sim(net,P2) a2 = 0 由此看出，输出是正确的，感知器为输入信号进行了正确的分类。 若将两个输入信号组成一个数列，则输出量也为一个数列。 P3={[1;1],[1;-1]}; a3=sim(net,P3) a3 = [1] [0] 例1.3 首先有newp函数生成一个神经网络。 net = newp([-2 2;-2 2],1); 其权值为： wts = net.IW{1,1} wts = 0 0 其阈值为： bias = net.b{1,1} bias = 0 改变权值和阈值： net.IW{1,1}=[3,4]; net.b{1,1}=[5]; 检查权值和阈值，确实已经改变了： wts=net.IW{1,1} wts = 3 4 bias=net.b{1,1} bias = 5 然后应用init来复原权值和阈值。 net=init(net); wts = net.IW{1,1} wts = 0 0 bias=net.b{1,1} bias = 0 由此可见，应用init可以复原感知器初始值。 例1.4 应用init改变网络输入的权值和阈值为随机数。 net.inputweights{1,1}.initFcn=rands; net.biases{1,1}.initFcn=rands; net=init(net); 下面验证一下权值和阈值： wts = net.IW{1,1} wts = 0.8116 -0.7460 bias=net.b{1,1} bias = 0.6294 例1.5 假设一个二维向量输入的感知器神经网络，其输入和期望值样本为： 、、、 首先，生成一个感知器网络，然后利用train函数进行训练 net = newp([-2 2;-2 2],1); net.trainParam.epochs=1; %设置最大迭代次数 p=[2 1 -2 -1;2 -2 2 1]; %样本 t=[0 1 0 1]; %导师信号 net = train(net,p,t);