神经网络仿真

1、3.6 MATLAB3.6 MATLAB神经网络工具箱的使用神经网络工具箱的使用2、利用、利用MATLAB提供的提供的神经网络神经网络工具箱函数工具箱函数1、利用神经网络工具箱的图形界面、利用神经网络工具箱的图形界面1 1、利用神经网络工具箱的图形界面、利用神经网络工具箱的图形界面在在MATLAB命令窗口输入命令窗口输入nntool，即可打开网络，即可打开网络/数据管理器窗口。数据管理器窗口。 窗口有窗口有7个显示区域和个显示区域和2个按钮区个按钮区 （1）Inputs区域区域 显示输入向量变量名显示输入向量变量名（2）Targets区域区域 显示目标向量变量名显示目标向量变量名（4）Netw

2、orks 区域区域 显示用户定义的显示用户定义的 网络名网络名（3）Input Delay States 区域区域 显示输入延迟参数变量名显示输入延迟参数变量名（5）Outputs区域区域 显示输出向量变量名显示输出向量变量名（6）Errors区域区域 显示网络训练误差变量名显示网络训练误差变量名（7）Layer Delay States 区域区域 显示网络层延迟参数变量名显示网络层延迟参数变量名7个显示区域个显示区域2个按钮区个按钮区（1）Networks and Data 按钮（包含按钮（包含7个按钮）个按钮）（2）Networks only按钮按钮-4 -3 -2 -1 0 121P1P

3、2例例1：利用前向传播神经网络实现对下图进行分类。：利用前向传播神经网络实现对下图进行分类。网络结构网络结构: 2个输入，个输入， 5个隐含层神经元个隐含层神经元(第一层第一层) , 1个输出神经元个输出神经元(第二层第二层)激活函数：对数函数激活函数：对数函数logsig训练样本集为：训练样本集为：11242110p0.20.80.80.2t 1、创建神经网络、创建神经网络 输入网络名：输入网络名：fenlei选择网络类型：选择网络类型：Feed-forward backprop(前向网络）前向网络）输入向量的取值范围：输入向量的取值范围：-4 1;0 2选择训练函数选择训练函数:TRAIN

4、LM选择学习函数：选择学习函数：LEARNGDM选择误差性能函数选择误差性能函数:MSE（均方差）（均方差）确定网络层数：确定网络层数：2确定各网络层的属性：确定各网络层的属性：Layer1: 神经元数：神经元数：5 传输函数：传输函数： logsigLayer2:神经元数：神经元数：1传输函数：传输函数： logsig单击单击“View”查看网络结构查看网络结构单击单击“Create”按钮，关闭窗口，回到数据管按钮，关闭窗口，回到数据管理器窗口，可看见网络名理器窗口，可看见网络名“fenlei”2、训练网络、训练网络确定训练样本的输入向量，确定训练样本的输入向量， 单击单击New Data

5、按钮按钮确定训练样本的目标向量确定训练样本的目标向量 t=0.2 0.8 0.8 0.2训练网络训练网络在数据管理器窗口，选中网络名，单击在数据管理器窗口，选中网络名，单击“Train”，弹出：弹出：单击单击“Train network”,开始训练开始训练训练完成后，在数据管理器窗口，选中变量名，可以训练完成后，在数据管理器窗口，选中变量名，可以查看变量的具体数据查看变量的具体数据3、网络仿真、网络仿真在数据管理器窗口，选中网络名，单击在数据管理器窗口，选中网络名，单击 “Simulate”,按下图选择后，单击按下图选择后，单击 “Simulate Network”在数据在数据管理器管理器窗口

6、，窗口，选中变选中变量量a，单击单击“View”查看仿查看仿真结果真结果题目题目1：利用多层前向传播神经网络来逼近非线性函数利用多层前向传播神经网络来逼近非线性函数y=0.5(1+cosx) 网络结构网络结构:1个输入神经元，个输入神经元，1个输出神经元、个输出神经元、 6个隐含层神经元。个隐含层神经元。激活函数：激活函数：双曲正切函数双曲正切函数tansig样本样本x：20点，点，x=2i20，i=0,1,19x=2*pi*i/20;i=0:19;%定义目标定义目标t=0.5*(1+cos(x);%绘制此函数曲线绘制此函数曲线plot(x,t,-); xlabel(time(s); ylab

7、el(非线线函数非线线函数); title(要逼近的非线线函数要逼近的非线线函数);2 2、利用、利用MATLABMATLAB提供的提供的神经网络神经网络工具箱函数工具箱函数%建立神经网络建立神经网络 n=6;net=newff(minmax(x),n 1,tansig,tansig,trainlm); y1=sim(net,x);figure; plot(x,t,-,x,y1,-);xlabel(time(s);ylabel(仿真输出仿真输出- 原函数原函数-); title(未训练网络的输出结果未训练网络的输出结果);%用理想样本训练神经网络用理想样本训练神经网络net.trainPara

8、m.goal=0.001; %训练目标误差训练目标误差net.trainParam.epochs=2000; %训练时间训练时间net1,tr=train(net,x,t); %训练神经网络训练神经网络%测试测试 y2=sim(net1,x); figure; plot(x,t,-,x,y1,-,x,y2,-);xlabel(time(s); ylabel(仿真输出仿真输出); title(训练后网络的输出结果训练后网络的输出结果);题目题目2：编写一个利用前向传播神经网络进行字符识编写一个利用前向传播神经网络进行字符识别的程序。假设神经网络为具有一个隐含层的别的程序。假设神经网络为具有一个隐

9、含层的BP网络，网络，需要识别的字符有需要识别的字符有A、I、O，其输入为，其输入为44个象素的个象素的扫描输入。扫描输入。目标输出分别为目标输出分别为A=（1，0，0），），I=（0，1，1），），O=（0，0，1），网络为），网络为16个输入节点、个输入节点、3个输出节点、个输出节点、9个隐含层节点。利用所编程序完成训练后，在输入样个隐含层节点。利用所编程序完成训练后，在输入样本本X=（1，1，1，1，1，-1，-1，1，1，1，1，1，1，1，-1，1）时，求网络输出值。）时，求网络输出值。%定义用定义用4*4个象素表示的个象素表示的A,I,OA=1 1 1 1 1 0 0 1 1 1

10、1 1 1 0 0 1;I=0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0;O=1 1 1 1 1 0 0 1 1 0 0 1 1 1 1 1;%将每个字母按列表示将每个字母按列表示X=A I O;%定义目标矩阵定义目标矩阵TA=1;0;0;TI=0;1;1;TO=0;0;1;T=TA TI TO;%建立网络建立网络R,N1=size(X);S2,N1=size(T);S1=9;net=newff(minmax(X),S1 S2,logsig,logsig,traingdx); %生成新的前向神生成新的前向神经网络经网络输出层输出层节点节点3隐含层隐含层节点节点9输入节输入节点

11、点16组数组数3训练算训练算法法w=net.LW2,1;b1=net.b1;b2=net.b2;y1=sim(net,X); %用理想样本训练神经网络用理想样本训练神经网络 net.performFcn=sse; %平方和误差函数平方和误差函数 net.trainParam.goal=0.00001; %训练目标误差训练目标误差net.trainParam.show=20; %计算步长计算步长net.trainParam.epochs=5000; %训练时间训练时间net.trainParam.mc=0.95 %动量参数动量参数net,tr=train(net,X,T); %训练神经网络训练神

12、经网络 %利用不含和含有噪声的样本训练神经网络利用不含和含有噪声的样本训练神经网络 net.trainParam.goal=0.6; %训练目标误差训练目标误差 net.trainParam.epochs=500; %训练时间训练时间 net1=net; T1=T T T T; for i=1:10 X1=X X (X+randn(R,N1)*0.1) (X+randn(R,N1)*0.2); net1,tr=train(net1,X1,T1); end y3=sim(net1,X1); %再用理想样本训练神经网络再用理想样本训练神经网络 net1,tr=train(net1,X,T); w=net