数学建模竞赛-神经网络.docx

神经网络 NET NET = newff(PR,[S1,S2,...,SNl],{TF1,TF2,...,生TF成Nl一})个前馈 BP 神经 网络。其中，PR 是由R 个输入中各样本输入数据的最小和最大值构成的 R ×2 矩阵。Si表示第 i层的节点数，共有Nl 层。TFi 表示第 i 层的传输函数字符串，默认为‘tansi’g。 NET = newlvq(PR,S1,PC)生成一个学习向量量化(LVQ) 神经网络。其中， PR 含义同上所述。S1 表示隐层数目。PC 表示各类别所占的百分比。 [net,tr,Y,E] = train(NE对T,神P,经T)网络 NET 参数进行训练。其中NET 为已建立的神经网络。P 为 n×N 样本输入矩阵，n 为输入变量维数， N 为样本组数。T 为 m ×N 输出矩阵，m 为输出变量维数，默认为 0。net返回训练后得到的神经网络。tr为结构体数据，返回训练的相关 跟踪信息，tr.epoc为h 训练步数，tr.per为f 各步目标函数值。 Y = sim(net,P仿)真（或称泛化）训练后得到的神经网络net。P 为新的输入数据，结构同上所述。Y 返回输出。 神经网络对象常用属性：net.I（w 单元数组），输入层和隐层权值，net.Iw(i)表示第i层权值；net.Lw（单元数组），输出层权值；net.numInput，s 输入路数；net.numLayer，s 隐层数；net.trainParam.epo，ch最s 大训练 次数，默认为100；net.trainParam.g，oa网l 络性能目标，误差小于此 值时停止训练，默认为 0；net.trainParam.sh，ow两次显示之间的训 练次数，默认为25；net.trainParam.t，im最e 长训练时间（秒），默认 为 inf；net.trainParam，.l自r学习的学习率，默认为 0.01；net.trainFcn （字符串型），网络训练函数，如’traincg’（f 共轭梯度法）、’trai’（n 批处理训练算法）、’traingdm’（带动量的梯度下降算法）和 ’trainl’m （Levenberg-Marquardt算法）等。 例 14.4 用人工神经网络拟合函数y = 0.1e2-0.23x+0.54e-.017xsin(1.2x3)。解：设计BP 网，编写文件ch14eg4.m，结构和参数见程序中的说明。 clear;close all; x = [0:0.25:10]; y = 0.12*exp(-0.213*x)+0.54*exp(-0.17*x).*sin(1.23*x); % x,y分别为输入和目标向量net=newff(minmax(x),[20,1],{tansig,purel创in建}一);个%前馈网络 y0 = sim(net,x)%; 仿真未经训练的网络net net.trainFcn=trainlm采;用% L-M 优化算法TRAINLM net.trainParam.epochs = 500; net.trainParam.goal 设=  置1e训-6练; 参% 数 [net,tr]=train(net,x,调y)用; 相% 应算法训练网络 y1 = sim(net,x);对% BP 网络进行仿真 E = y-y1; MSE=mse(E) % 计算仿真误差 figure; %下面绘制匹配结果曲线 plot(x,y0,:,x,y1,r*,x,0.12*exp(-0.213*x)+0.54*exp(-0.17*x).*sin(1.23*x),b); 运行如下： ch14eg4 MSE =9.6867e-007 6 6 5 未经训练的曲线 训练后的曲线原函数曲线 4 3 2 1 0 -1 -2 -3 -4 0 1 2 3 4 5 6 7 8 9 10 例14.6 蠓虫分类问题。两种蠓虫Af 和Apf 已由生物学家W.L.Grogan和W.W.Wirth(1981) 根据他们的触角长度和翅长加以区分。现测得6 只Apf 蠓虫和 9 只 Af 蠓虫的触长、翅长的数据如下： Apf: (1.14,1.78),(1.18,1.96),(1.20,1.86),(1.26,2.),(1.28,2.00),(1.30,1.96). Af: (1.24,1.72),(1.36,1.74),(1.38,1.64),(1.38,1.82),(1.38,1.90),(1.4,1.7), (1.48,1.82),(1.54,1.82),(1.56,2.08) 请用恰当的方法对触长、翅长分别为(1.24,1.8，0)(1.28,1.8，4)(1.40,2.0的4) 3 个样本进行识别。 解：设计一个Lv