神经网络实验七学习教案

会计学1神经网络实验七第一页，编辑于星期二：六点二分。１、GRNN网络结构输入层径向基神经元线性层一、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网络的设计调用格式：

net=newgrnn(P,T,SPREAD)功能描述：设计一个GRNN网络参数说明：

P—Q个R维输入向量组成的R×Q矩阵.T—Q个S维期望输出向量组成的S×Q矩阵.SPREAD—径向基层的散布常数，缺省值为1.一、广义回归神经网络(GRNN)

第2页/共23页第三页，编辑于星期二：六点二分。例1：已知8个样本点，用GRNN网络对该样本进行函数逼近>>P=[12345678]; %输入变量值>>T=[01232121]; %期望输出>>plot(P,T,'.','markersize',30);%在坐标系中画出样本点>>axis([09-14]);%调整坐标平面显示区域>>title(‘待逼近函数’);%图像标题>>xlabel(‘P’);%给横轴标注>>ylabel('T');%给纵轴标注一、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(GRNN)

第4页/共23页第五页，编辑于星期二：六点二分。>>spread=0.7; %确定散布常数>>net=newgrnn(P,T,spread); %设计网络>>A=sim(net,P); %网络仿真>>holdon;>>outputline=plot(P,A,'O','markersize',10,…'color',[100]); %画出测试结果>>title('检测网络');>>xlabel('P');>>ylabel('T和A');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(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>>plot(p,a,'+','markersize',10,'color',[100]);%画出测试点>>xlabel('P和p');>>ylabel('T和a');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(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',[100]);%绘制拟合曲线>>title('函数逼近');>>

xlabel('P和P2');>>ylabel('T和A2');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(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(PNN)1、PNN网络的结构输入层径向基神经元竞争层第11页/共23页第十二页，编辑于星期二：六点二分。2、PNN网络的设计调用格式：

net=newpnn(P,T,SPREAD)功能描述：设计一个PNN网络参数说明：

P—Q个R维输入向量组成的RxQ矩阵.T—Q个S维期望输出向量组成的SxQ矩阵.SPREAD—径向基层的散布常数,缺省值为1.二、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(PNN)例2：已知三组二维向量

P=[12;22;11]以及其相对应的三个类别

Tc=[123]构建一个PNN网络实现对输入向量进行正确分类。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(PNN)%绘制出输入向量及其类别>>P=[12;22;11]';>>Tc=[123];>>plot(P(1,:),P(2,:),'.','markersize',30);>>axis([0303]);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(PNN)>>fori=1:3,text(P(1,i)+0.1,P(2,i),…sprintf('class%g',Tc(i))),end>>title('三个向量及类别');>>xlabel('P(1,:)');>>ylabel('P(2,:)');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(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>>T=ind2vec(Tc);%将类别指针转换为向量T>>spread=1;>>net=newpnn(P,T,spread);%测试网络>>A=sim(net,P);>>Ac=vec2ind(A);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([0303]);>>fori=1:3,text(P(1,i)+0.1,P(2,i),…sprintf('class%g',Ac(i))),end;>>title('网络测试结果');>>xlabel('P(1,:)');>>ylabel('P(2,:)');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(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>>p=[2;1.5];>>a=sim(net,p);>>ac=vec2ind(a);>>holdon;>>plot(P(1,:),P(2,:),'.','markersize',…10,'color',[100]);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));>>holdoff;>>title