Matlab神经网络_1.pptVIP

第三部分神经网络与应用 — MATLAB神经网络工具箱应用 武汉大学动机学院 2005.2 1.感知器(Perceptron) * * 随着Matlab版本的提高，其相应的神经网络工具箱的版本也相应的提高了。本课程主要以Matlab6.5作为讲解对象，对应的神经网络工具箱为NN Tool box4.0，其内容非常丰富，涵盖了很多现有的神经网络模型： 感知器网络 (Perceptron network)； 线性神经网络 (Linear network)； BP网络 (Back propagation network, 简称BP网络)； 径向基函数网络 (Radial Basis Function network，简称RBF网络)； 反馈网络 (Recurrent Network): Hopfield网络和Elman网络； 自组织网络 (Self-organizing network)； 神经网络工具箱提供了很多经典的学习算法，使用它能够快速实现对实际问题的建模求解。由于其编程简单，给使用者节省了大量的编程时间，使其能够把更多的精力投入到网络设计而不是具体程序实现上。下面逐步介绍神经网络在Matlab语言环境下的设计应用，以及神经网络工具箱的使用试验等。 感知器是最早提出的一种神经网络模型，是一个具有单层神经元 的网络。网络的激活函数是线性阈值单元，1957年由美国学者罗森布拉特 (F.Rosenblatt)提出，目的就是为了模拟人类大脑的感知和学习能力。 尽管这种方法有一定的局限性，但这种神经网络模型的出现对早期神经网络的研究，以及后来许多神经网络的出现产生了极大的影响。目前来看，它仍然是一种很有用的神经网络模型，尤其适用于简单的模式分类问题。 F．Rosenblatt已经证明，如果两类模式是线性可分的(只存在一个超平面将它们分 开)，则算法一定足收敛的。 1.1 感知器神经网络模型结构 1.2 生成网络 应用函数 newp() 可以生成一个感知器网络，调用方式如下： net=newp (PR , S) 其中输入量PR为一个R*2阶矩阵，每行表示输入元素得最大值和最小值；S为神经元得数目。 1.3 网络仿真 应用函数 sim() 可以对生成的感知器网络进行仿真，即给定确定输入p，求输出a: a1=sim (net , p1) 其中net为一个已经生成的感知器网络，p1为R*1输入列向量，a1为S*1输出向量。 1.4 网络初始化 应用函数 init() 可以对生成的感知器网络进行阈值和权值进行初始化。主要作用是将神经网络的阈值和权值复原回生成时的初始值： net=init (net) ; 1.5 网络训练 对感知器网络进行训练通常有两种方法。一种是用反复应用sim()和learnp()调整网络的阈值和权值。另一种是直接使用函数train()或adapt()，其调用格式如下： net=train(net, p, t)或net=adapt(net, p, t) 它可以自动更改网络的权值和阈值，以满足误差的要求。 1.6 应用举例 设计一2输入感知器神经网络，将4个输入向量分为两类。5个输入向量都是两维向量，定义为P，以向量T表示对应的期望输出。 P=[-0.5 -0.5 +0.5 -0.1; -0.5 +0.5 -0.5 +1.0]; T=[1 1 0 0]; plotpv(P, T) % PLOTPV: Plot perceptron input/target vectors. hold on; + 表示与期望值1对应的输入量。 O 表示与期望值0对应的输入量。 1). 构建初始网络 net=newp([-1 1;-1 1],1); 2). 网络训练 net.adaptParam.passes=3; net=adapt(net,P,T); % PLOTPC Plot a classification line on a perceptron vector plot. plotpc(net.IW{1},net.b{1}) hold on; %见下页图 3). 仿真 p=[0.7;1.2]; a=sim(net,p); plotpv(p,a); hold on; %见下页图 (0.7,1.2) 由此可见，感知器网络能够做到对输入向量进行正确分类，同时验证了网络的可行性。 问题： 输入奇异样本对网络训练的影响。假定仍然使用二输入单神经元