MATLAB神经网络之各函数介绍

三形clearall;[x,y]=meshgrid(-8:0.1:8);z=sinc(x);mesh(x,y,z);set(gcf,'color','w');

效果图如下设置图形窗口背景为白色修改z的值clearall;[x,y]=meshgrid(-10:0.3:10);r=sqrt(x.^2+y.^2)+eps;z=sin(r)./r;mesh(x,y,z)初化函数clearall;net=newp([0,1;-2,2],1);disp('³õʼ»¯Ö®Ç°µÄȨֵÊÇ£º')w1=net.iw{1,1}disp('³õʼ»¯Ö®Ç°µÄ·§ÖµÎª')b1=net.b{1}net.iw{1,1}=[5,6];disp('¡£¡£¡£È¨ÖµÎª')w2=net.iw{1,1}net.b{1}=7;disp('·§ÖµÎª')b2=net.b{1}net=init(net); 利用网络初始化复原网络权值和阀值w3=net.iw{1,1}b3=net.b{1}用init函与数>>cearl;ntnwp[,;22,);tues}F';t}=;e=n(t; 验值阀值wne.w1,}=e.1}w=0.8116 0b=24>感知器popv坐别popc数知线clearall;p=[-0.5,-0.5,0.3,-0.1,-0.8;-0.5,0.5,-0.5,1.0,0.0];t=[1,1,0,0,0];plotpv(p,t); 绘制样本节点net=newp([-40,1;-1,50],1);holdonlinehandles=plotpc(net.IW{1},net.b{1});net.adaptParam.passes=3;linehandle=plotpc(net.IW{1},net.b{1});fora=1:25;;endtitle('thekindofxiangliang')真数在mb了sim函进：)q)个向络已。clearall;formatcompactnet=newp([-2,2;-2,2],1);net.IW{1,1}=[-1,1];net.b{1}=[1];p1=[1;1];a1=sim(net,p1)p2=[1;-1];a2=sim(net,p2)p3={[1;1],[1;-1]};a3=sim(net,p3)得到a1=1a2=0a3=[] ]能数b神经网络工具箱提供了e函规则络：)Dperf_dy=mae(dy,e,y,x,perf,fp)Dperf_dx=mae(dx,e,y,x,perf,fp)Info=mae(code)e误（, ty络略；x为所有fppf表prdy表示返回perf对y的导；e（）将根据coe值的不；息：当ce示称当cs时，表称当s数感，误差clearall;net=newp([-10,10],1);p=[-10,-5,0,5,10];t=[0,0,1,1,1];y=sim(net,p)e=t-yperf=mae(e)得到：y=1 1 1 1 1e=1 1 0 0 0prf=0.000练数：n重复的把一组输入向量应用到一个网络上，每次都更新网络，直到达到某种准则。停止准则的可习梯。：)t是r为录ye误f的入时态，f；tpt表是0；pi表示初始是0；ai表示是0；感，类clearall;p=[0,0,1,1;0,1,0,1];t=[0,1,1,1];net=newp(minmax(p),1);y=sim(net,p)net.trainParam.epochs=20;net=train(net,p,t);y=sim(net,p);err1=mae(y-t)plotpv(p,y)title('ÏòÁ¿Àà±ð')得到：y=1 1 1 11=0t数该函数为学习自适时。：) 参数与n致个络适练clearall;p1={-1,0,1,0,1,1,-1,0,-1,1,0,1};t1={-1,-1,1,1,1,2,0,-1,-1,0,1,1};net=linearlayer(