感知器和BP网络设计及应用

1、学号： 1001314197 人工神经网络实验报告实验一 感知器和BP网络设计及应用实验1 感知器和BP网络设计及应用 题目一 初步认识Matlab人工神经网络工具箱一、 实验目的初步了解人工神经网络工具箱。二、实验内容认识人工神经网络工具箱包含的主要功能函数及分类。三、实验步骤(1) 在命令窗口键入help nnet(2) 描述人工神经网络工具箱划分的主要函数模块,并在每类下挑选3-4个函数,说明其主要功能。四、实验结果 help nnet Neural Network Toolbox Version 6.0 (R2008a) 23-Jan-20081. Graphical user int

2、erface functions. 图形用户界面函数nnstart - Neural Network Start GUI 神经网络启动图形用户界面GUInctool - Neural network classification tool 神经网络分类工具nftool - Neural Network Fitting Tool 神经网络拟合工具nntraintool - Neural network training tool 神经网络训练工具2. Network creation functions. 网络生成函数cascadeforwardnet Cascade-forward neura

3、l network. 级联神经网络competlayer - Competitive neural layer. 竞争神经层distdelaynet - Distributed delay neural network. 分布式延迟神经网络elmannet - Elman neural network. Elman 神经网络3. Using networks. 网络使用network - Create a custom neural network. 创建一个定制的神经网络sim - Simulate a neural network. 模拟神经网络init - Initialize a ne

4、ural network. 初始化一个神经网络adapt - Allow a neural network to adapt. 神经网络的适应train - Train a neural network. 训练一个神经网络4. Simulink support. 仿真支持gensim - Generate a Simulink block to simulate a neural network. 生成Simulink模块来模拟神经网络setsiminit - Set neural network Simulink block initial conditions 设置神经网络Simulink

5、模块初始条件getsiminit - Get neural network Simulink block initial conditions 获得神经网络Simulink模块初始条件neural - Neural network Simulink blockset. 神经网络Simulink 模块集5. Training functions. 训练函数trainb - Batch training with weight & bias learning rules. 批处理具有权重和偏差学习规则的训练trainbfg - BFGS quasi-Newton backpropagation.

6、BFGS 拟牛顿反向传播trainbr - Bayesian Regulation backpropagation. 贝叶斯规则的反向传播trainbu - Unsupervised batch training with weight & bias learning rules. 无监管的批处理具有权重和偏差学习规则的训练6. Plotting functions. 绘图函数plotconfusion - Plot classification confusion matrix. 图分类混淆矩阵ploterrcorr - Plot autocorrelation of error time

7、series. 误差自相关时间序列图ploterrhist - Plot error histogram. 误差直方图plotfit - Plot function fit. 绘图功能(函数)配合题目2 感知器的功能及初步设计一、 实验目的掌握感知器的功能。二、实验内容认识感知器的学习和训练，用demo完成书中题目3.1，记录W，b。三、实验步骤(1) 在命令窗口键入nnd4pr（try 在command window 键入nnd）显示如下图： (2) 将3.1中的样本在图中实现，对感知器进行训练。 (3) 记录初始值，以及正确分类后的W，b，以及训练次数。初始值： W=1 -0.8 b=0，

8、训练结果如下图：训练后的W=1.56 2.09 b=-1.08，训练次数：两次题目3 MATLAB编程实现感知器设计一、实验目的初步掌握MATLAB环境下用编程方式实现感知器的设计。二、实验内容认识感知器的学习和训练，自编程序完成书中题目3.8，记录W，b。三、实验步骤(1) 在命令窗口键入demop1，按如下方式打开demop1.m文件(2) 运行demop1.m文件，观察结果。结果如下： (3) 基于demop1.m, demop6.m文件中的内容，进行适当修改，完成题目3.8。(4) 分析程序中各个函数的作用，如何定义样本的输入和输出。修改后代码： P = 1 1 2 2 -1 -2 -

9、1 -2; . 1 2 -1 0 2 1 -1 -2;T = 0 0 0 0 1 1 1 1;. 0 0 1 1 0 0 1 1; %绘制输入样本向量 plotpv(P,T); %创建一个神经网络并赋初始权值和阈值 net = newp(1 0;0 1,1;1); plotpv(P,T); plotpc(net.IW1,net.b1); %设置训练次数 net.adaptParam.passes = 3;%开始训练 net = adapt(net,P,T); plotpc(net.IW1,net.b1);实验结果：题目4 利用nntool进行感知器设计一、 实验目的初步掌握MATLAB环境下nntool方式实现感知器的设计。二、实验内容利用nntool，进行感知器设计。三、实验步骤(1) 在命令窗口键入nntool(2) 在命令窗口给出样本的输入输出P，T，在nntool中将P，T导入，用new新建网络，对网络训练，观察。(3) 完成题目3.8。因为实验需要将样本数据点分为四类，因此需要两个输出节点来判断四类样本输出的所属分类，同时需要两个感知器来对样本数据做处理。1.新建网络2.网络图3.训