内容发布更新时间 : 2024/5/1 19:29:32星期一 下面是文章的全部内容请认真阅读。

常用的人工神经网络案例

1 感知器网络MatLab上机实验

例1.1

用newp函数设计一个单输入和一个神经元的感知器神经网络，输入的最小值和最大值为?0,2?。

>> net=newp([0 2],1);

可以用下面语句来观察生成了一个什么样的神经网络。

>> inputweights = net.inputWeights{1,1}

inputweights =

delays: 0

initFcn: 'initzero' learn: 1

learnFcn: 'learnp' learnParam: [] size: [1 1]

userdata: [1x1 struct] weightFcn: 'dotprod' weightParam: [1x1 struct]

从中可以看到，缺省的学习函数为learnp，网络输入给hardlim传递函数的量为数量积dotprod，即输入量和权值矩阵的乘积，然后再加上阈值。缺省的初始化函数为initzero，即权值的初始值置为0。

同样地，

>> biases = net.biases{1,1}

biases =

initFcn: 'initzero' learn: 1

learnFcn: 'learnp' learnParam: [] size: 1

userdata: [1x1 struct]

例1.2

设计一个输入为二维向量的感知器网络，其边界值已定。 >> net = newp([-2 2;-2 2],1);

和上面的例子一样，权值和阈值的初始值为0。如果不想预置为0，则必须单独生成。

例如，两个权值和阈值分别为[-1 1]和1，应用如下语句： >> net.IW{1,1}=[-1 1];

>> net.b{1,1}=[1]; 应用下面语句验证一下：

>> net.IW{1,1}

ans =

-1 1

>> net.b{1,1}

ans = 1

下面来看这个感知器网络对两个输入信号的输出如何，两个信号分别位于感知器两个边界。

第一个输入信号：

>> P1=[1;1];

>> a1=sim(net,P1)

a1 = 1

第二个输入信号：

>> P2=[1;-1]; >> a2=sim(net,P2)

a2 = 0

由此看出，输出是正确的，感知器为输入信号进行了正确的分类。

若将两个输入信号组成一个数列，则输出量也为一个数列。

>> P3={[1;1],[1;-1]}; >> a3=sim(net,P3)

a3 =

[1] [0]

例1.3

首先有newp函数生成一个神经网络。

>> net = newp([-2 2;-2 2],1); 其权值为：

>> wts = net.IW{1,1}

wts =

0 0 其阈值为：

>> bias = net.b{1,1}

bias = 0

改变权值和阈值：

>> net.IW{1,1}=[3,4]; >> net.b{1,1}=[5];

检查权值和阈值，确实已经改变了：

>> wts=net.IW{1,1}

wts =

3 4

>> bias=net.b{1,1}

bias = 5

然后应用init来复原权值和阈值。

>> net=init(net);

>> wts = net.IW{1,1}

wts =

0 0 >> bias=net.b{1,1}

bias = 0

由此可见，应用init可以复原感知器初始值。 例1.4

应用init改变网络输入的权值和阈值为随机数。

>> net.inputweights{1,1}.initFcn='rands';