[理学]《神经网络实用教程》配套实验教程讲解与源码.ppt

[理学]《神经网络实用教程》配套实验教程讲解与源码.ppt

  1. 1、本文档共104页,可阅读全部内容。
  2. 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. 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. 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)。
查看更多
[理学]《神经网络实用教程》配套实验教程讲解与源码

实验二Matlab快速入门讲解 实验二?MATLAB快速入门 实验二?MATLAB快速入门 3、使用MATLAB中的条件语句和循环语句,编程实现下面的功能: 从1累加到20,即:1+2+3+4+…+20,当累加和超过30时,跳出FOR循环,在命令窗口中输出此时的累加次数和累加值。 演示程序 sum=0; for i=1:20 sum=sum+i; if sum30 % break; disp(sum is 30) fprintf(%2d,sum) x=1 continue; end end i sum 实验二?MATLAB快速入门 4、神经网络常用的激活函数有S型、对数S型、线性型和硬限幅等,在MATLAB中有tansig()、logsig()、purelin()和hardlim()四个函数对应,请使用MATLAB编程,按下画所示图形,画出四个激活函数的图形。 演示程序 x=-10:0.2:10; y1=tansig(x); y2=logsig(x); y3=purelin(x); y4=hardlim(x); h=figure(name,这是一个显示多个激活函数图形的程序); subplot(2,2,1); % 绘制第一个图形 hnd1=plot(x,y1); %设置图形线条宽度 set(hnd1,linewidth,1); %设置图形线条颜色 set(hnd1,color,red); title(S型激活函数); legend(tansig); grid on % 设置第二个图形的绘图位置为第一行第二列 subplot(2,2,2); hnd2=plot(x,y2); %设置图形线条宽度 set(hnd2,linewidth,2); %设置图形线条颜色 set(hnd2,color,green); title(对数S型激活函数); legend(logsig); grid on % 设置第三个图形的绘图位置为第二行第一列 subplot(2,2,3); hnd3=plot(x,y3); %设置图形线条宽度 set(hnd3,linewidth,3); %设置图形线条颜色 set(hnd3,color,blue); title(线性激活函数); legend(purelin); grid on % 设置第四个图形的绘图位置为第二行第二列 subplot(2,2,4); hnd4=plot(x,y4); %设置图形线条宽度 set(hnd4,linewidth,4); %设置图形线条颜色 set(hnd4,color,yellow); title(硬限幅激活函数); legend(hardlim); grid on 谢谢! 实验三单层感知器的构建与使用讲解 实验三单层感知器的构建与使用 实验三单层感知器的构建与使用 ?1、已经对逻辑与的单层感知器实现的权值调整计算过程进行了讲解,请使用MATLAB语言编写程序,实现单层感知器对逻辑与进行分类。 演示程序1 %实验三第1题演示程序 % 设计并训练一个对与运算进行分类的单层感知器 % 神经网络并输出分类结果。 %给定训练样本数据 P= [0 0 1 1; 0 1 0 1]; %给定样本数据所对应的类别,用1和0来表示两种类别 T= [0 0 0 1]; %创建一个有两个输入、样本数据的取值范围都在[0,1]之间, % 并且网络只有一个神经元的感知器神经网络 net=newp([0 1;0 1],1); %设置网络的最大训练次数为20次,即训练20次后结束训练 net.trainParam.epochs = 20; %使用训练函数对创建的网络进行训练 net=train(net,P,T); 演示程序1 %对训练后的网络进行仿真,即根据训练后的网络和样本数据 % 给出输出 a=net.b{1}; b=net.iw{1}; Y=sim(net,P); %计算网络的平均绝对误差,表示网络错误分类 E1=mae(Y-T); %给定测试数据,检测训练好的神经网络的性能 Q=[1 0 1 0; 0 1 1 0]; %使用测试数据,对网络进行仿真,仿真输出即为分类的结果 Y1=sim(net,Q); %创建一个新的绘图窗口 演示程序1 figure; %设置绘图范围,在坐标图中绘制测试数据点,并根据数据 % 所对应的类别用约定的符号画出 v=[-0.5 2 -0.5 2]; plotpv(Q,Y1,v); %利用权值和阈值,在坐标图中绘制分类线 % plotpc(net.iw{1},net.b{1}) % 为更清楚的看到

文档评论(0)

qiwqpu54 + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档