神经网络实验七学习教案

1、会计学1神经网络实验七神经网络实验七第一页，编辑于星期二：六点 二分。一、广义回归神经网络一、广义回归神经网络(GRNN) 第1页/共23页第二页，编辑于星期二：六点 二分。2、GRNN网络的设计网络的设计u调用格式：调用格式： net = newgrnn(P,T,SPREAD)u功能描述：功能描述： 设计一个设计一个GRNN网络网络u参数说明：参数说明： PQ个个R维输入向量组成的维输入向量组成的RQ矩阵矩阵. TQ个个S维期望输出向量组成的维期望输出向量组成的SQ矩阵矩阵. SPREAD径向基层的散布常数，缺省值为径向基层的散布常数，缺省值为1.一、广义回归神经网络一、广义回归神经网络(G

2、RNN) 第2页/共23页第三页，编辑于星期二：六点 二分。例例1：已知：已知8个样本点，用个样本点，用GRNN网络对该样本进行网络对该样本进行函数逼近函数逼近 P=1 2 3 4 5 6 7 8;%输入变量值输入变量值 T=0 1 2 3 2 1 2 1;%期望输出期望输出 plot(P,T,.,markersize,30);%在坐标系中画出样本点在坐标系中画出样本点 axis(0 9 -1 4); %调整坐标平面显示区域调整坐标平面显示区域 title(待逼近函数待逼近函数); %图像标题图像标题 xlabel(P); %给横轴标注给横轴标注 ylabel(T); %给纵轴标注给纵轴标注一

3、、广义回归神经网络一、广义回归神经网络(GRNN) 第3页/共23页第四页，编辑于星期二：六点 二分。一、广义回归神经网络一、广义回归神经网络(GRNN) 第4页/共23页第五页，编辑于星期二：六点 二分。 spread=0.7; %确定散布确定散布常数常数 net=newgrnn(P,T,spread);%设计网络设计网络 A=sim(net,P); %网络仿真网络仿真 hold on; outputline=plot(P,A,O,markersize,10, color,1 0 0); %画出测试画出测试结果结果 title(检测网络检测网络); xlabel(P); ylabel(T和和

4、A);一、广义回归神经网络一、广义回归神经网络(GRNN) 第5页/共23页第六页，编辑于星期二：六点 二分。一、广义回归神经网络一、广义回归神经网络(GRNN) 第6页/共23页第七页，编辑于星期二：六点 二分。 p=3.5; a=sim(net,p);%对新的数据点进行仿真对新的数据点进行仿真 plot(p,a,+,markersize,10,color,1 0 0);%画出测试点画出测试点 xlabel(P和和p); ylabel(T和和a);一、广义回归神经网络一、广义回归神经网络(GRNN) 第7页/共23页第八页，编辑于星期二：六点 二分。一、广义回归神经网络一、广义回归神经网络(

5、GRNN) 第8页/共23页第九页，编辑于星期二：六点 二分。 P2=0:0.1:9; A2=sim(net,P2); plot(P2,A2,linewidth,4,color,1 0 0);%绘制拟合曲线绘制拟合曲线 title(函数逼近函数逼近); xlabel(P和和P2); ylabel(T和和A2);一、广义回归神经网络一、广义回归神经网络(GRNN) 第9页/共23页第十页，编辑于星期二：六点 二分。一、广义回归神经网络一、广义回归神经网络(GRNN) 第10页/共23页第十一页，编辑于星期二：六点 二分。二、概率神经网络二、概率神经网络(PNN)1、PNN网络的结构网络的结构输入

6、层径向基神经元输入层径向基神经元 竞争层竞争层第11页/共23页第十二页，编辑于星期二：六点 二分。2、PNN网络的设计网络的设计u调用格式：调用格式： net = newpnn(P,T,SPREAD)u功能描述：设计一个功能描述：设计一个PNN网络网络u参数说明：参数说明： PQ个个R维输入向量组成的维输入向量组成的RxQ矩阵矩阵. TQ个个S维期望输出向量组成的维期望输出向量组成的SxQ矩阵矩阵. SPREAD径向基层的散布常数径向基层的散布常数,缺省值为缺省值为1.二、概率神经网络二、概率神经网络(PNN)第12页/共23页第十三页，编辑于星期二：六点 二分。二、概率神经网络二、概率神经

7、网络(PNN)例例2：已知三组二维向量：已知三组二维向量 P=1 2; 2 2; 1 1以及其相对应的三个类别以及其相对应的三个类别 Tc=1 2 3构建一个构建一个PNN网络实现对输入向量进网络实现对输入向量进行正确分类。行正确分类。第13页/共23页第十四页，编辑于星期二：六点 二分。二、概率神经网络二、概率神经网络(PNN)第14页/共23页第十五页，编辑于星期二：六点 二分。二、概率神经网络二、概率神经网络(PNN)第15页/共23页第十六页，编辑于星期二：六点 二分。二、概率神经网络二、概率神经网络(PNN)第16页/共23页第十七页，编辑于星期二：六点 二分。%网络设计网络设计 T

8、=ind2vec(Tc);%将类别指针转换为向量将类别指针转换为向量T spread=1; net=newpnn(P,T,spread);%测试网络测试网络 A=sim(net,P); Ac=vec2ind(A);二、概率神经网络二、概率神经网络(PNN)第17页/共23页第十八页，编辑于星期二：六点 二分。 plot(P(1,:),P(2,:),.,markersize,30); axis(0 3 0 3); for i=1:3,text(P(1,i)+0.1,P(2,i), sprintf(class%g,Ac(i),end; title(网络测试结果网络测试结果); xlabel(P(1

9、,:); ylabel(P(2,:);二、概率神经网络二、概率神经网络(PNN)第18页/共23页第十九页，编辑于星期二：六点 二分。二、概率神经网络二、概率神经网络(PNN)第19页/共23页第二十页，编辑于星期二：六点 二分。%对新的向量分类对新的向量分类 p=2;1.5; a=sim(net,p); ac=vec2ind(a); hold on; plot(P(1,:),P(2,:),.,markersize, 10,color,1 0 0);二、概率神经网络二、概率神经网络(PNN)第20页/共23页第二十一页，编辑于星期二：六点 二分。 text(p(1)+0.1,p(2), sprintf(class%g,ac); hold off; title(对新向量分类对新向量分类);