Matlab-神经网络.pptVIP

3. BP网络 (Back Propagation network) 有噪声训练 为了保证设计的网络对于噪声信号有一定的容错性，可以应用两套理想字母向量和两套有噪声字母向量作为训练样本，这样期望输出信号就包括4组重复字母向量信号，加入的噪声采用水平为0.1和0.2两种信号，并且在循环中重复循环训练10次。这样做的目的，就是保证神经元正确分辨有噪声字母的同时，也能对理想字母向量做到正确的识别。 因为训练样本的增加(为无噪声训练的4倍)，所以在有噪声训练时，最大训练次数降为300，误差精度降为0.6。 % 有噪声训练 netn = net; % 构造一新网络进行有噪声训练 netn.trainParam.goal=0.6 % 降低训练精度要求 netn.trainParam.epochs= 300; % 最大训练次数 T=[targets targets targets targets]; % 构造新的目标矩阵 for pass=1:10 P= [alphabet,alphabet,(alphabet+randn(R,Q)*0.1), (alphabet+randn(R,Q)*0.2)]; [netn,tr] = train(netn,P,T); end 10次循环训练的结果。 再次无噪声训练 这次训练是为了使得网络进行理想信号识别时，节省资源。 netn.trainParam.goal=0.1; % 更改训练精度 netn.trainParam.epochs=500; % 设定训练次数 netn.trainParam.show= 5; % 结果显示间 P=alphabet; % P为输入矩阵 T=targets; % 新的目标矩阵 [netn,tr] = train(netn,P,T); TRAINGDX, Epoch 0/500, SSE 0.0624098/0.1, Gradient 0.0766478/1e-006 TRAINGDX, Performance goal met. 4). 系统性能测试 为了测量所设计的神经网络模式识别系统的可靠性，应用上百个输入向量加入了不同的噪声信号进行了测试，并绘制网络识别错误与噪声信号的比较曲线。 加入网络输入向量的噪声均值为0，标准差范围为0－0.5。在每个噪声级别上，分别利用100个不同的噪声信号进行试验，并将噪声信号加到每个字母向量上，然后通过仿真计算网络输出，将输出通过竞争传递函数，保证输出向量26个元素中有一个值为1，其余均为0。以下是相应的程序： noise_range = 0: 0.05: 0.5; max_test = 100; network1=[]; network2=[]; T=targets; for noiselevel = noise_range errors1=0; errors2=0; for i=1:max_test P = alphabet+randn(35,26)*noiselevel; A= sim(net,P); AA= compet(A); errors1= errors1+sum(sum(abs(AA-T)))/2; An= sim(netn,P); AAn= compet(An); errors2= errors2+sum(sum(abs(AAn-T)))/2; end network1 = [network1 errors1/26/100]; network2 = [network2 errors2/26/100]; end plot(noise_range, network1*100,--, noise_range, network2*100); title(识别误差); xlabel(噪声指标); ylabel(无噪声训练网络 - - - 有噪声训练网络 ——); * * BP网络是一种多层前馈型神经网络，其神经元的传递