神经网络例子参考模板

1、神经网络1. 单层感知器数据分类输出为0和1解决线性可分的分类模型例1.从待分类的数据中取出一部分数据及其对应的类别作为样本数据,设计并训练一个能对分类数据进行分类的单层感知器神经网络代码:%给定训练样本数据P=-.4 -.5 .6;.9 0 .1;%给定样本数据所对应的类别，用0和1来表示两种类别T=1 1 0;%创建一个有两个输入、样本数据的取值范围都在-1 1之间,并且网络只有一个神经元的感知器神经网络net=newp(-1 1;-1 1,1);%设置网络的最大训练次数为20次net.trainParam.epochs=20;%使用训练函数对创建的网络进行训练net=train(net,

2、P,T);%对训练后的网络进行仿真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=0.6 0.9 -0.1;-0.1 -0.5 0.5;%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figure;1 / 9%在坐标中绘制测试数据点，并根据数据所对应的类别用约定的符号画出plotpv(Q,Y1);%在坐标中绘制分类线plotpc(net.iw1,net.b1)2. 线性神经网络模型线性神经网络类似感知器,但是线性神经网络的激活函数是线性的,而不是硬线转移函

3、数,因此,线性神经网络的输出可以是任意值,而感知器的输出不是0就是1,线性神经网络网络和感知器一样只能解决线性可分的问题.例2.要求设计一个线性神经网络,寻找给定数据之间的线性关系代码:P=1.1 -1.3;T=0.6 1;%创建一个只有一个输出，输入延迟为0，学习速率为0.01的线性神经网络，minmax(P)表示样本数据的取值范围 net=newlin(minmax(P),1,0,0.01);%对创建的神经网络进行初始化，设置权值和阈值的初始值net=init(net);net.trainParam.epochs=500;%设置网络训练后的目标误差为0.0001net.trainParam

4、.goal=0.0001;net=train(net,P,T);y=sim(net,P)%求解网络的均方误差值E=mse(y-T)3. BP神经网络预测能逼近任意非线性函数例3.表2-4为某药品的销售情况，现构建一个如下的BP神经网络对药品的销售进行预测：输入层为三个结点，隐含层结点数为5，隐含层的激活函数为tansig（双曲正切S型传递函数）；输出层结点数为1，输出层的激活函数为logsig（S型的对数函数），并利用此网络对药品的销售量进行预测，预测的方法采用滚动预测方式，即用前三个月的销售量来预测第四个月的销售量，如用1、2、3月的销售量为输入预测第4个月的销售量，用2、3、4月的销售量为

5、输入预测第5个月的销售量。如此反复直至满足预测精度要求为止。月份123456销量205623952600229816341600月份789101112销量187314781900150020461556212 241  263 241  263 236 ;263 236 161  ; 236 161 168 161 168  187 168  187  148  187  148 193;148 193 157 205  156; 代码：%以每三个月的销售量经归一化

6、处理后作为输入P=0.5152 0.8173 1.000;0.8173 1.000 0.7308;1.000 0.7308 0.1390;0.7308 0.1390 0.1087;0.1390 0.1087 0.3520;0.1087 0.3520 0.000;%以第四个月的销售量归一化处理后作为目标向量T=0.7308 0.1390 0.1087 0.3520 0.000 0.3761;%创建一个BP神经网络，每一个输入向量的取值范围为0,1，隐含层为5个神经元，输出层有一个神经元，隐含层的激活函数为tansig，输出层的激活函数为logsig，训练函数为梯度下降函数net=newff(0

7、1; 0 1; 0 1,5 1,tansig,logsig,traingd);net.trainParam.epochs=15000;net.trainParam.goal=0.01;%设置学习速率为0.1LP.lr=0.1;net=train(net,P,T)4. RBF神经网络属于前向神经网络,能够以任意精度逼近任意连续函数,特别适合于解决分类问题例4.建立一个径向基神经网络，对非线性函数y=sqrt(x)进行逼近，并作出网络的逼近误差曲线代码：%输入从0开始变化到5，每次变化幅度为0.1x=0:0.1:5;y=sqrt(x);%建立一个目标误差为0，径向基函数的分布密度为0.5，隐含层神

8、经元个数的最大值为20，每增加5个神经元显示一次结果net=newrb(x,y,0,0.5,20,5);t=sim(net,x);%在以输入x和函数值与网络输出之间的差值y-t坐标上绘出误差曲线，并用“*”来标记函数值与输出值之间的差值plot(x,y-t,*-)5. 自组织竞争神经网络属于前向神经网络,特别适合于解决模式分类和识别方面的问题例5.人口分类是人口统计中的重要指标,现有1999年共10个地区的人口出生比例情况如下:出生男性百分比分别为:0.5512 0.5123 0.5087 0.5001 0.6012 0.5298 0.5000 0.4965 0.5103 0.5003;出生女

9、性百分比分别为:0.4488 0.4877 0.4913 0.4999 0.3988 0.4702 0.5000 0.5035 0.4897 0.4997;建立一个自组织神经网络对上述数据分类,给定某个地区的男女出生比例分别为:0.5,0.5,测试训练以后的自组织神经网络的性能,判断其属于哪个类别.代码:P=0.5512 0.5123 0.5087 0.5001 0.6012 0.5298 0.5000 0.4965 0.5103 0.5003; 0.4488 0.4877 0.4913 0.4999 0.3988 0.4702 0.5000 0.5035 0.4897 0.4997;%创建一

10、个自组织神经网络，0 1；0 1表示输入数据的取值范围在0 1之间,3 4表示竞争层组织结构为3×4,其余参数取默认值net=newsom(0 1;0 1, 3 4);net.trainParam.epochs=500;net=init(net);net=train(net,P);y=sim(net,P);%获取训练后的自组织神经网络的权值w1=net.IW1,1;%绘出训练后自组织神经网络的权值分布图plotsom(w1,net.layers1.distances);%输入测试数据p=0.5;0.5;%对网络进行测试y_test=sim(net,p);%将测试数据所得到的单值向量变

11、换成下标向量y_test=vec2ind(y_test)6. 学习向量量化(LVQ)神经网络属于前向神经网络,在模式识别和优化领域有着广泛应用例6.针对一组输入向量,设计一个LVQ神经网络,经过训练后,能对给定的数据进行模式识别.代码:%输入向量P及其对应的类别向量CP=-6 -4 -2 0 0 0 0 2 4 6;0 2 -2 1 2 -2 1 2 -2 0;C=1 1 1 2 2 2 2 1 1 1;%将类别向量C转换为目标向量TT=ind2vec(C);%绘制输入向量P，用颜色将输入向量分为两类Plotvec(P,C,*r) ;axis(-8 8 -3 3)%创建一个LVQ神经网络，隐含

12、层有5个神经元，0.6 0.4表示在隐含层的权值中,有60%的列的第一行的值是1,40%的列的第一行值为1,也就是说60%的列属于第一类,40%属于第二类,网络的其他参数取默认值net=newlvq(minmax(P),5,0.6 0.4);net.trainParam.epoches=100;net=train(net,P,T);%给定数据，输出网络的分类结果测试网络的性能p=0 1；0.2 0;y=sim(net,p);yc=vec2ind(y)%对给定数据，一个归为第二类，一个归为第一类yc = 2 17. Elman神经网络反馈神经网络,他是一种有非线性元件构成的反馈系统,其稳定状态的

13、分析比属于前向神经网络要复杂得多可解决旅行商问题(TSP)例7.下表为某单位办公室七天上午9点到12点的空调负荷数据，数据已经做了归一化处理，预测方法采用前6天数据作为网络的训练样本，每3天的负荷数据作为输入向量，第4天的负荷作为目标向量，第7天的数据作为网络的测试数据空调负荷数据表时间9时负荷10时负荷11时负荷12时负荷第1天0.4413 0.4707 0.6953 0.8133 第2天0.4379 0.4677 0.6981 0.8002 第3天0.4517 0.4725 0.7006 0.8201 第4天0.4557 0.4790 0.7019 0.8211 第5天0.4601 0.4

14、811 0.7101 0.8298 第6天0.4612 0.4845 0.7188 0.8312 第7天0.4615 0.4891 0.7201 0.8330 代码：%根据预测方法得到输入向量和目标向量P=0.4413 0.4707 0.6953 0.8133 0.4379 0.4677 0.6981 0.8002 0.4517 0.4725 0.7006 0.8201; 0.4379 0.4677 0.6981 0.8002 0.4517 0.4725 0.7006 0.8201 0.4557 0.4790 0.7019 0.8211; 0.4517 0.4725 0.7006 0.8201

15、 0.4557 0.4790 0.7019 0.8211 0.4601 0.4811 0.7101 0.8298 'T=0.4557 0.4790 0.7019 0.8211;0.4601 0.4811 0.7101 0.8298;0.4612 0.4845 0.7188 0.8312'%输入向量的取值范围为0 1,用threshold来标记threshold=0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1;%创建一个Elman神经网络，隐含层的神经元的个数为17个，4个输出层神经元，隐含层激活函数为tansig，输出层激活函数为purelinnet=newelm(threshold,17,4,'tansig','purelin');net.trainParam.epoches=3000;net=init(net);net=train(net,P,T);%输入测试数据P_test=0.4557 0.4790 0.7019 0.8211 0.4601 0.4811 0.7101