文章目录
- 1. matlab感知器神经网络初步学习
- 2 使用建立好的神经网络进行分类程序
- 3 线性神经网络预测程序
- 4 BP神经网络信号拟合程序
1. matlab感知器神经网络初步学习
%% 学习目标:从学习第一个最简单的神经网络案例开启学习之路
%% 感知器神经网络 用于点的分类
clear all;
close all;
P=[0 0 1 1;0 1 0 1]; %输入向量
T=[0 1 1 1]; %目标向量
net=newp(minmax(P),1,'hardlim','learnp'); %建立感知器神经网络
net=train(net,P,T); %对网络进行训练
Y=sim(net,P); %对网络进行仿真
plotpv(P,T); %绘制感知器的输入向量和目标向量,绘制样本点
plotpc(net.iw{1,1},net.b{1}); %在感知器向量图中绘制分界线
运行结果:

网络图:


2 使用建立好的神经网络进行分类程序
clear all;
close all;
P=[-0.4 -0.4 0.5 -0.2 -0.7;-0.6 0.6 -0.4 0.3 0.8]; %输入向量
T=[1 1 0 0 1]; %输出向量
plotpv(P,T); %绘制样本
net=newp(minmax(P),1,'hardlim','learnpn'); %建立神经网络
hold on;
linehandle=plot(net.IW{1},net.b{1});
E=1;
net.adaptParam.passes=10;
while mae(E) %误差达到要求才停止训练
[net,Y,E]=adapt(net,P,T); %进行感知器神经网络的训练
linehandle=plotpc(net.IW{1},net.b{1},linehandle);
drawnow;
end
save net1 net; %将训练好的神经网络进行保存
set(gcf,'position',[60,60,300,300]);

%% 用刚才建立的神经网络进行分类
clear all;
close all;
load net1.mat; %加载上次训练好的神经网络
X=[-0.3 0.3 0.9;-0.6 0.2 0.8]; %输入向量
Y=sim(net,X); %对输入进行仿真
figure;
plotpv(X,Y); %绘制样本点
plotpc(net.IW{1},net.b{1}); %绘制分类线
set(gcf,'position',[60,60,300,300]);

3 线性神经网络预测程序
%% 学习目标: 线性神经网络
%% 收敛速度和精度比之前讲的感知器神经网络要高,
%% 主要应用在函数逼近,信号预测,模式识别,系统辨识方面
clear all;
close all;
P=[1.1 2.2 3.1 4.1];
T=[2.2 4.02 5.8 8.1];
lr=maxlinlr(P); %获取最大学习速率
net=newlin(minmax(P),1,0,lr); %建立线性神经网络
net.trainParam.epochs=500; %训练 做多500次
net.trainParam.goal=0.04; %训练误差设定为0.04
net=train(net,P,T);
Y=sim(net,P) %仿真


%% 利用线性神经网络进行信号的预测
clear all;
close all;
t=0:pi/10:4*pi;
X=t.*sin(t);
T=2*X+3;
figure;
plot(t,X,'+-',t,T,'+--');
legend('系统输入','系统输出');
set(gca,'xlim',[0 4*pi]);
set(gcf,'position',[50,50,400,400]);
net=newlind(X,T);
y=sim(net,X);
figure;
plot(t,y,'+:',t,y-T,'r:');
legend('网络预测输出','误差');
set(gca,'xlim',[0 4*pi]);
set(gcf,'position',[50,50,400,400]);

4 BP神经网络信号拟合程序
%% 学习目标:BP神经网络
%% 函数逼近 数据压缩 模式识别
%% 考虑要素:网络层数 输入层的节点数 输出层的节点数 隐含层的节点数
%% 传输函数 训练方法
%% 对信号曲线进行拟合
clear all;
clear all;
P=-1:0.04:1;
T=sin(2*pi*P)+0.1*randn(size(P));
net=newff(P,T,18,{},'trainbr'); %% 隐含层神经元个数是18
net.trainParam.show=10;
net.trainParam.epochs=100; %% 训练100次
net=train(net,P,T);
Y=sim(net,P);
figure;
plot(P,T,'-',P,Y,'+');
legend('原始信号','网络输出信号');
set(gcf,'position',[20,20,500,400]);


网络图:

回归:

训练状态:
