人工神经网络仿真实例课件

1、3.4 仿真实例 主讲人：殷欣 例3-1试用多层感知器解决异或问题解：对于异或运算可以将问题转化为两类模式（即输入、输出模式）的分类问题。 异或问题的输入输出映射如下表所示：解决该异或问题的网络结构如下：+1+1+1+1+1+1+1-2-0.5-1.5+1-0.5y神经元2神经元1神经元3x1x2输入层隐含层输出层 newp函数建立多层感知器p = 0 0 1 1; 0 1 0 1; %训练样本t = 0 1 1 0; %目标函数net1 = newp(0 1; 0 1, 2); % 新建第一层感知器，两个神经元net1.inputWeights1.initFcn = rands; %随机生成

2、权值net1.biases1.initFcn = rands; %随机生成阀值i=0; %设变量i初值为0while i=0 net1 = init(net1); %对第一层感知器初始化 a1 = sim(net1, p); % 第一层输出作为第二层输入a1 net2 = newp(0 1; 0 1, 1); % 新建第二层感知器，一个神经元 net2.trainParam.epochs = 10; %训练次数为十次 net2.trainParam.show = 1; %设置迭代次数为1 net2 = train(net2, a1, t); %训练当前网络 a2 = sim(net2, a1)

3、 %对该神经网络进行仿真 if a2 = t i=1; endend运行得到的结果：a2 =0 0 0 0a2 =0 0 0 0a2 =0 0 0 0a2 =0 0 0 0a2 =1 1 1 1a2 =0 0 0 0a2 =0 0 0 0a2 =1 1 0 0a2 =0 1 1 0用矢量P计算网络的输出：A1=tansig(w1*P,b1); %tansig为正切S型传递函数A2=purelin(w2*A1,b2); %purelin为线性传递函数下面定义网络训练参数：disp_fqre=10; %间隔次数设置为10 max_epoch=3000; %最大训练次数设置为3000err_goal

4、=0.02; %期望误差设置为0.02lr=0.01; %学习效率设置为0.01TP=disp_fqre,max_epoch,err_goal,lr; w1,b1,w2,b2,te,tr=trainbpx(w1,b1,tansig,w2,b2,purelin,P,T,TP) %用BP算法进行训练BP网络训练过程(一)网络的训练误差记录图：运行结果如下：如图所示：绿色线表示的是目标矢量相对于输入适量的波形图；红色代表的是初始网络输出波形图；蓝色代表的是训练后网络的输出波形。例3-3试用加入动量项的BP网络实现下面输入/输出关系P=-6.0 -6.1 -4.1 -4.0 5.0 -5.1 6.0

5、6.1;T=0 0 0.97 0.99 0.01 0.03 1.0 1.0;net=newff(minmax(P),3,1,tansig,purelin,traingdm)inputWeights=net.IW1,1inputbias=net.b1layerWeights=net.LW2,1layerbias=net.b2net.TrainParam.show=50;net.TrainParam.lr=0.05;net.TrainParam.mc=0.9;net.TrainParam.epoch=500;net.TrainParam.goal=0.001; %期望误差设置为0.001net,t

6、r=train(net,P,T);A=sim(net,P)E=T-A;MSE=mse(E)hold on3-4试用RBF网络解决异或问题X2X1w11w11Output yXOR异或空间变换前基函数例3-5试设计RBF网络来实现例3-2的输入/输出关系P=-1:0.1:1;T=-0.96 -0.577 -0.0729 0.377 0.641 0.66 0.461 0.1336 -0.201 -0.434 -0.5 -0.393 -0.1647 0.0988 0.3072 0.396 0.3449 0.1816 -0.0312 -0.2183 -0.3201; figure(1) plot(P,

7、T,+); disp_freq=10; %显示间隔次数 max_neuron=100;%最多神经元数 err_goal=0.02;%目标误差平方和 sc=1; %径向基函数的分布常数 dp=disp_freq max_neuron err_goal sc; W1,b1,W2,b2=solverb(P,T,dp); y=simurb(P,W1,b1,W2,b2); hold onfigure(2) plot(P,T,-,P,y,o) xlabel(Input); ylabel(Output); legend(目标值, 训练后输出); RBF网络的逼近结果如图所示：下图为目标值与训练后输出值之间的关系图：例3-6试用BP网络进行09十个数字字符的识别利用BP神经网络对阿拉伯数字进行识别前,应先对阿拉伯数字位图样本进行预处理,即先将256色位图转为灰度图,然后二值化,最后进行归一化处理,以消除各数字在位置和大小上的差异,从而提高识别的准确率。归一化处理后的字符便可进行特征向量提取。将所提取的特征输入到神经网络进行识别,最后输出并显示识别结果。对于数字采用5*5共25点阵的形式，使用美观的数码管字体。首先，要选择一种编码方式。这里采用的是直接