12.Matlab神经网络工具箱

概述:

1　　人工神经网络介绍

2　　人工神经元

3　　MATLAB神经网络工具箱

4　　感知器神经网络

5　　感知器神经网络

5.1　　设计实例分析

 clear all;
 close all;
 P=[   ;   ];
 T=[   ];
 %建立神经网络
 net=newp(minmax(P),,'hardlim','learnp');
 %对神经网络进行训练,net是建立网络,P是输入向量,T是目标向量
 net=train(net,P,T);
 %对网络进行仿真
 Y=sim(net,P);
 %绘制建模点
 plotpv(P,T);
 %绘制分界线
 plotpc(net.iw{,},net.b{});

 clear all;
 close all;
 P=[-0.5 -0.5 0.4 -0.1 -0.8;-0.5 0.5 -0.3 0.2 0.9];
 T=[    ];
 plotpv(P,T);
 %建立感知器网络
 net=newp(minmax(P),,'hardlim','learnpn');
 hold on;
 linehandle=plot(net.IW{},net.b{});
 E=;
 net.adaptParam.passes=;
 %误差没有达到要求会持续不断的训练
 while mae(E)
     %进行感知器网络的训练
     [net,Y,E]=adapt(net,P,T);
     linehandle=plotpc(net.IW{},net.b{},linehandle);
     drawnow;
 end
 %对训练好的网络进行保存,保存成net1
 save net1 net;
 set(gcf,'position',[,,,]);

 clear all;
 close all;
 %加载网络
 load net1.mat;
 X=[-0.4 0.2 0.8;-0.7 0.3 0.9];
 %对网络进行仿真,输入向量为X
 Y=sim(net,X);
 figure;
 %绘制样本点和分界线
 plotpv(X,Y);
 plotpc(net.IW{},net.b{});
 set(gcf,'position',[,,,]);

5.2　　线性神经网络

 clear all;
 close all;
 P=[1.0 2.1  ];
 T=[2.0 4.01 5.9 8.0];
 %获取最大的学习速率
 lr=maxlinlr(P);
 net=newlin(minmax(P),,,lr);
 %最大学习次数是300
 net.trainParam.epochs=;
 %训练的目标误差为0.
 net.trainParam.goal=0.05;
 net=train(net,P,T);
 Y=sim(net,P)

6　　设计实例分析

 clear all;
 close all;
 t=:pi/:*pi;
 X=t.*sin(t);
 T=*X+;
 figure;
 plot(t,X,'+-',t,T,'+--');
 legend('系统输入','系统输出');
 set(gca,'xlim',[ *pi]);
 set(gcf,'position',[,,,]);
 net=newlind(X,T);
 %对网络进行仿真
 y=sim(net,X);
 figure;
 plot(t,y,'+:',t,y-T,'r:');
 legend('网络预测输出','误差');
 set(gca,'xlim',[ *pi]);
 set(gcf,'position',[,,,]);

7　　BP网络

7.1　　BP网络的创建

7.2　　BP网络实例分析

 clear all;
 clear all;
 P=[          ];
 T=[          ];
 %隐含层为10个神经元
 net=newff(P,T,);
 net.trainParam.epochs=;
 %进行训练
 net=train(net,P,T);
 %对网络进行仿真
 Y=sim(net,P);
 figure;
 plot(P,T,P,Y,'o');

• BP神经网络进行曲线拟合

 clear all;
 clear all;
 P=-:0.05:;
 T=sin(*pi*P)+0.1*randn(size(P));
 net=newff(P,T,,{},'trainbr');
 net.trainParam.show=;
 net.trainParam.epochs=;
 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',[,,,]);

8　　径向基审计网络

 clear all;
 close all;
 P=[    ];
 T=[2.1 3.4 5.4 6.9 5.6];
 net=newrb(P,T);
 x=:0.5:
 y=sim(net,x)

9　　广义回归神经网络

 clear all;
 close all;
 %输入向量
 P=:;
 %输出向量
 T=*sin(P);
 net=newgrnn(P,T,0.2);
 y=sim(net,P);
 figure;
 plot(P,T,':+',P,T-y,'-o');

10　　概率神经网络

 clear all;
 close all;
 P=[:];
 Tc=[       ];
 T=ind2vec(Tc)
 net=newpnn(P,T);
 Y=sim(net,P);
 Yc=vec2ind(Y)