《MATLAB神经网络工具箱.ppt》由会员分享，可在线阅读，更多相关《MATLAB神经网络工具箱.ppt（20页珍藏版）》请在三一办公上搜索。
1、MATLAB神经网络工具箱,神经元模型,Neuron Model：多输入，单输出，带偏置,输入:R维列向量,权值:R维行向量,阀值:标量,求和单元,传递函数,输出,常用传递函数,a,Wp,-b,1,-1,阈值函数,MATLAB函数:hardlim,MATLAB函数:hardlims,线性函数,Purelin Transfer Function：,MATLAB函数:purelin,Sigmoid函数,Sigmoid Function：特性：值域a(0,1)非线性，单调性无限次可微|n|较小时可近似线性函数|n|较大时可近似阈值函数,MATLAB函数:logsig(对数),tansig(正切),对
2、数Sigmoid函数,正切Sigmoid函数,单层神经网络模型,R维输入,S个神经元的单层神经网络模型,多层神经网络模型,前馈神经网络,前馈神经网络(feed forward NN)：各神经元接受前级输入，并输出到下一级，无反馈，可用一有向无环图表示。前馈网络通常分为不同的层(layer)，第i层的输入只与第i-1层的输出联结。可见层：输入层(input layer)和输出层(output layer)隐藏层(hidden layer)：中间层,感知器,感知器(perceptron):单层网络,传递函数为阀值函数,主要功能是模式分类,感知器的生成,函数newp用来生成一个感知器神经网络,net
3、=newp(pr,s,tf,lf),net:函数返回参数,表示生成的感知器网络 pr:一个R2矩阵,由R维输入向量的每维最小值和最 大值组成 s:神经元的个数 tf:感知器的传递函数,默认为hardlim,可选hardlims lf:感知器的学习函数,默认为learnp,可选learnpn,net=newp(-2,+2;-2,+2,2)%生成一个二维输入,两个神经元的感知器,感知器的权值和阀值初始化,newp默认权值和阀值为零(零初始化函数initzero).,net=newp(-2,+2;-2,+2,2);,W=net.IW1,1%显示网络的权值,b=net.b1%显示网络的阀值,W=0 0
4、0 0,b=0 0,改变默认初始化函数为随机函数rands,net.inputweights1,1.InitFcn=rands;,net.biases1.InitFcn=rands;,net=init(net);%重新初始化,直接初始化定义权值和阀值,net.IW1,1=1 2;net.b1=1,感知器学习,感知器学习算法,权值增量:,阀值增量:,权值更新:,阀值更新:,算法改进,输入样本归一化,权值和阀值训练与学习函数,train,net=train(net,P,T),设计好的感知器并不能马上投入使用.通过样本训练,确定感知器的权值和阀值.,输入向量,目标向量,被训练网络,=10;%预定的最
5、大训练次数为10,感知器经过最多训练10次后停止,adapt,net=adapt(net,P,T),自适应训练函数,权值和阀值学习函数,learnp,dW=learnp(W,P,Z,N,A,T,E,D,gW,gA,LP,LS),dW:权值或阀值的变化矩阵,W:权值矩阵或阀值向量,P:输入向量,T:目标向量,E:误差向量,其他可以忽略,设为,learnpn,归一化学习函数,网络仿真函数,sim,a=sim(net,P),输入向量,网络输出,分类结果显示绘图函数,plotpv,plotpv(P,T),plotpc,plotpc(W,b),画输入向量的图像,画分类线,根据给定的样本输入向量P和目标向
6、量T,以及需分类的向量组Q,创建一个感知器,对其进行分类.,例:创建一个感知器,P=-0.5-0.6 0.7;0.8 0 0.1;%已知样本输入向量T=1 1 0;%已知样本目标向量net=newp(-1 1;-1 1,1);%创建感知器handle=plotpc(net.iw1,net.b1);%返回划线的句柄=10;%设置训练最大次数net=train(net,P,T);%训练网络Q=0.6 0.9-0.1;-0.1-0.5 0.5;%已知待分类向量Y=sim(net,Q);%二元分类仿真结果 figure;%新建图形窗口plotpv(Q,Y);%画输入向量handle=plotpc(ne
7、t.iw1,net.b1,handle)%画分类线,实验一 利用感知器进行分类(1),一个经过训练的感知器对5个输入向量进行分类(2类)。,Step 1,两个长度为5的向量构成输入样本矩阵P，行向量T为目标向量。利用PLOTPV画出这个向量的图像。例如：P=-0.5-0.5+0.3-0.1-4;-0.5+0.5-0.5+1.0 5;T=1 1 0 0 1;plotpv(P,T);%plotpv函数利用感知器的输入向量和目标向量来画输入向量的图像,Step 2,建立神经网络,画输入向量的图像,MATLAB提供函数newp来创建一个指定的感知器。第一个参数指定了期望的两个输入向量的取值范围，第二个
8、参数指定了只有一个神经元。net=newp(-40 1;-1 50,1);注意：这个神经元的传递函数是hardlim函数，也就是阶跃函数。取0，1两个值。Hardlims函数，取-1，1两个值。,实验一 利用感知器进行分类(2),添加神经元的初始化值到分类图,Step3,初始化的权值被设为0，因此任何输入都会给出同样的输出，并且分类线不会出现在这个图中，不用害怕，我们会继续训练这个神经网。hold on linehandle=plotpc(net.IW1,net.b1);/plotpc函数用来画分类线,训练神经网络,Step4,Matlab提供了adapt函数来训练感知器，adapt函数返回一
9、个新的能更好的执行分类、网络的输出、和误差的神经网络，这个划线函数允许网络从3个角度去调整，画分类线一直到误差为0为止。E=1;/E为误差=3;/决定在训练过程中重复次数while(sse(E)/sse函数是用来判定误差E的函数net,Y,E=adapt(net,P,T);/利用输入样本调节神经网netlinehandle=plotpc(net.IW1,net.b1,linehandle);/画出调整以后的分类线drawnow;/延迟一段时间end,实验一 利用感知器进行分类(3),Step 5 模拟sim sim函数能被用来划分任何别的输入向量，例如划分一个输入向量0.7;1.2.这个新点的
10、图像为红色，他将用来显示这个感知器如何把这个新点从最初的训练集取分开来。p=0.7;1.2;a=sim(net,p);/利用模拟函数sim计算出新输入p的神经网络的输出plotpv(p,a);circle=findobj(gca,type,line);set(circle,Color,red);打开hold,以便于以前的图像不被删除。增加训练装置和分类线在图中。hold on;plotpv(P,T);plotpc(net.IW1,net.b1);hold off;axis(-2 2-2 2);,这个感知器正确的区分了我们的新点(用红色表示)作为”zero”类(用圆圈表示)，而不是”one”类(用+号表示)，尽管需要比较长的训练时间，这个感知器仍然适当的进行了学习。最后放大感兴趣的区域,
