人工神经网络例题

人工神经网络例题（1）BP网络训练后将所提取的样本对中的非线性映射关系存储在权值段，当向网络输入训练时未曾见过的非样本数据时，网络也能完成由输入空间向输出空间的正确映射。这种能力称为多层感知器的泛化能力，它是衡量多层感知器性能优劣的一个重要方（2）网络的性能好坏主要看其是否具有很好的泛化能力，而对泛化能力的测试不能用训练集的数据进行，要用训练集以外的测试数据来进行检验。在隐节点数一定的情况下，为获得更好的泛化0据得出两条均方误差随训练次数变化的曲线0在此之前停止训练称为训练不足，在此之后称为训练过度。（1）学习向量量化（learningvectorquantization，LVQ）网络是在竞争网络结构的基础上提用有监督方法，在训练中加入教师信号作为分类信息对权值进行细调，并对输出神经元预先指定3、设计一个神经网络对图一中的三类线性不可分模式进行分类，期望输出向量分别用(1,-1,-(-1,-1,1)T表示，至于隐层节点的个数并没有确切的况下达到相同的训练精度所需要的训练次数，当隐层节点数为M=5时，在训练次数为见，在一定范围内，隐层节点数越多，达到训练精度时所用4、试设计一个吸引子为Xa=（0110)T，Xb=(100吸引子的分布是由网络的权值（包括阈值）决定的，设计吸引子的核心就是如何设计一组合5、下面给出的训练集由玩具兔和玩具熊组成。输入样本向量的第一个分量代表类。两个输入分量在几何上构成一个二维平面，输入样本可以用该平面上的一个点表示，玩具重量和长度在坐标中标出，可以看出明显分布在两个区域，可以用一条线分开分为两类，在线上方clearall;D=[1,-1,-1;1,-1,-1;1,-1,-1;-1,1,-1;-1,1,-1;-1,1,-1;-1,-1,1;-1,-1,1;-1,-1,1]';%M=ceil(sqrt(N*L))+7;ceil函数为正无穷方向取整m=14;%隐层节点数%初始化权矩阵%输入层到隐层权矩阵V=rand(N,m);%隐层到输出层权矩阵W=rand(m,L);Q=100000;%训练次数计数器Emin=;%训练要求精度Y=(1-exp(-netj))./(1+exO=(1-exp(-netk))./(E(q)=sqrt(sum(sum((D-O).^2))/break;W=W+learnr*(Delta_o*Y.').';%隐层和输出层间的权矩Delta_y=(W*Delta_o).*(1-V=V+learnr*(Delta_y*X.').';%输入层和隐层间qA=find(O~=D);%和计算输出和导师信号不%%单层感知器初始化X=[1,4;1,5;2,4;2,5;3,1;3,2;4,1;4,2];%输入信号d=[-1;-1;-1;-1;1;1;1;1];%输入导师信号w=zeros(2,9);w(:,1)=rand(2,1);%第一组权值赋予较小的非零随机数o=zeros(8,1);%输出结果net=zeros(8,1);%净输入net%%调整权值net(i)=X(i,:)*w(:,i);%计算净输入neto(i)=sign(net(i));%计算输出，转移函数为符号函数w(:,i+1)=w(:,i)+le