人工神經(jīng)網(wǎng)絡(luò)matlab程序

1、神經(jīng)網(wǎng)絡(luò)MATLAB程序%根據(jù)預(yù)測方法得到輸入向量和目標(biāo)向量P=0.4413 0.4707 0.6953 0.8133 0.4379 0.4677 0.6981 0.8002 0.4517 0.4725 0.7006 0.8201;0.4379 0.4677 0.6981 0.8002 0.4517 0.4725 0.7006 0.8201 0.4557 0.4790 0.7019 0.8211;0.4517 0.4725 0.7006 0.8201 0.4557 0.4790 0.7019 0.8211 0.4601 0.4811 0.7101 0.8298;T=0.4557 0.4790

2、0.7019 0.8211;0.4601 0.4811 0.7101 0.8298;0.4612 0.4845 0.7188 0.8312;%輸入向量的取值范圍為0 1，用threshold來標(biāo)記threshold=0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;%創(chuàng)建一個Elman神經(jīng)網(wǎng)絡(luò)，隱含層的神經(jīng)元個數(shù)為17個，4個輸出層神經(jīng)元，隱含層激活函%數(shù)為tansig，輸出層激活函數(shù)為purelin net=newelm(threshold,17,4,tansig,purelin); net.trainParam.epochs=3000; net

3、=init(net);net=train(net,P,T); %輸入測試數(shù)據(jù) P_test=0.4557 0.4790 0.7019 0.8211 0.4601 0.4811 0.7101 0.8298 0.4612 0.4845 0.7188 0.8312; T_test=0.4615 0.4891 0.7201 0.8330;y=sim(net,P_test)%在測試數(shù)據(jù)下，計算網(wǎng)絡(luò)的輸出和實際目標(biāo)向量之間的差值error=y-T_test;%在坐標(biāo)平面上畫出差值曲線 plot(1:4,error,-);程序運行后，結(jié)果如圖2-29所示，命令行窗口中的結(jié)果如下： TRAINGDX, Epo

4、ch 2950/3000, MSE 2.65822e-005/0, Gradient 0./1e-006TRAINGDX, Epoch 2975/3000, MSE 2.64788e-005/0, Gradient 0./1e-006TRAINGDX, Epoch 3000/3000, MSE 2.6293e-005/0, Gradient 0./1e-006TRAINGDX, Maximum epoch reached, performance goal was not met.y = 0.4761 0.4916 0.7217 0.8344Hopfield%數(shù)字1的點陣表示one=-1 -1

5、 -1 1 1 1 1 -1 -1 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 -1 -1 -1 1 1 1 1 -1 -1 -1;%數(shù)字2的點陣表示two=1 1 1 1 1 1 1 1 -1 -1 1 1 1 1 1

6、1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 1 1 -1 -1 1 1 1 1 1 1 1 1 -1 -1 1 1 1 1 1 1 1 1 -1 -1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 1 1 1 1 1 1 1 1 -1 -1 1 1 1 1 1 1 1 1 -1 -1;%設(shè)定網(wǎng)絡(luò)的目標(biāo)向量T=one;two;%創(chuàng)建一個Hopfield神經(jīng)網(wǎng)絡(luò)net=newhop(T);%給定一個受噪聲污染的數(shù)字2的點陣，所謂噪聲是指數(shù)字點陣中某些本應(yīng)為1的方

7、塊變成了-1no2=1 1 1 -1 1 1 -1 1 -1 -1 1 1 1 1 1 1 1 1 -1 -1 -1 1 -1 1 -1 -1 1 1 -1 -1 -1 -1 1 -1 1 -1 1 1 -1 -1 1 1 1 1 1 1 1 1 -1 -1 1 1 1 1 1 1 1 1 -1 -1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 1 1 1 -1 1 1 1 1 -1 -1 1 1 -1 1 1 1 1 1 -1 -1;%對網(wǎng)絡(luò)進(jìn)行仿真，網(wǎng)絡(luò)的仿真步數(shù)為5tu2 =sim(net,1,5,no2)%輸出仿真結(jié)果

8、向量矩陣中的第3列向量，并將其轉(zhuǎn)置tu23程序運行后，在命令行窗口得到下面的結(jié)果：ans = Columns 1 through 21 1 1 1 1 1 1 1 1 -1 -1 1 1 1 1 1 1 1 1 -1 -1 -1 Columns 22 through 42 -1 -1 -1 -1 -1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 1 1 -1 -1 1 1 Columns 43 through 63 1 1 1 1 1 1 -1 -1 1 1 1 1 1 1 1 1 -1 -1 1 1 -1 Columns 64 through 84 -1 -1 -1 -1 -1

9、-1 -1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 1 1 1 1 Columns 85 through 100 1 1 1 1 -1 -1 1 1 1 1 1 1 1 1 -1 -1由結(jié)果可以看出所得到的點陣與數(shù)字2的正常點陣是一致的，表明網(wǎng)絡(luò)可以從受到污染的數(shù)字2的點陣中識別出數(shù)字2，證明網(wǎng)絡(luò)是有效的。自組織網(wǎng)絡(luò)學(xué)習(xí)算法建立一個自組織神經(jīng)網(wǎng)絡(luò)對上述數(shù)據(jù)分類，給定某個地區(qū)的男、女出生比例分別為0.5，0.5，測試訓(xùn)練后的自組織神經(jīng)網(wǎng)絡(luò)的性能，判斷其屬于哪個類別。解答：MATLAB代碼如下：P=0.55120.51230.50870.50010.60120.52980.5000

10、0.49650.51030.5003; 0.4488 0.48770.49130.49990.39880.47020.50000.50350.48970.4997;%創(chuàng)建一個自組織神經(jīng)網(wǎng)絡(luò)，0 1;0 1表示輸入數(shù)據(jù)的取值范圍在0，1之%間，3，4表示競爭層組織結(jié)構(gòu)為3 4，其余參數(shù)取默認(rèn)值net=newsom(0 1;0 1,3 4);net.trainParam.epochs=500;net=init(net);net=train(net,P);y=sim(net,P);%獲取訓(xùn)練后的自組織神經(jīng)網(wǎng)絡(luò)的權(quán)值w1=net.IW1,1;%繪出訓(xùn)練后自組織神經(jīng)網(wǎng)絡(luò)的權(quán)值分布圖plotsom(w1,

11、net.layers1.distances);%輸入測試數(shù)據(jù)p=0.5;0.5;%對網(wǎng)絡(luò)進(jìn)行測試y_test=sim(net,p);%將測試數(shù)據(jù)所得到的將單值向量組變換成下標(biāo)向量y_test=vec2ind(y_test)程序運行后得到訓(xùn)練后的權(quán)值分布如圖2-24所示，在命令行窗口得到下面結(jié)果： %使用TRAINR作為訓(xùn)練函數(shù)，最大訓(xùn)練次數(shù)為500次 TRAINR, Epoch 0/500TRAINR, Epoch 25/500TRAINR, Epoch 50/500TRAINR, Epoch 75/500TRAINR, Epoch 475/500TRAINR, Epoch 500/500TR

12、AINR, Maximum epoch reached. %訓(xùn)練結(jié)束后的結(jié)果y = 4 10 10 12 1 6 12 12 10 12 %輸入測試數(shù)據(jù)后所得到的結(jié)果y_test = 12 LVQ %輸入向量P及其對應(yīng)的類別向量CP=-6 -4 -2 0 0 0 0 2 4 6; 0 2 -2 1 2 -2 1 2 -2 0;C=1 1 1 2 2 2 2 1 1 1;%將類別向量C轉(zhuǎn)換為目標(biāo)向量TT=ind2vec(C);%繪制輸入向量P，如圖2-26所示，用顏色將輸入向量分為兩類plotvec(P,C,*r);%輸入向量繪制在一個橫坐標(biāo)在-8 8之間，縱坐標(biāo)在 -3 3之間的坐標(biāo)平面內(nèi)ax

13、is(-8 8 -3 3);%創(chuàng)建一個LVQ神經(jīng)網(wǎng)絡(luò)，隱含層有5個神經(jīng)元，0.6 0.4表示在隱含層的權(quán)值中，有60%的%列的第一行的值為1，40%的列的第一行值為1，也就是說有60%的列屬于第一類，40%屬于%第二類，網(wǎng)絡(luò)的其他參數(shù)取默認(rèn)值net = newlvq(minmax(P),5,0.6 0.4);net.trainParam.epochs=100;net=train(net,P,T);%給定數(shù)據(jù)，輸出網(wǎng)絡(luò)的分類結(jié)果測試網(wǎng)絡(luò)的性能p=0 1;0.2 0;y=sim(net,p);yc=vec2ind(y)程序運行后，在命令行窗口中得到下面結(jié)果： %用TRAINR作為訓(xùn)練函數(shù)，最大訓(xùn)練

14、次數(shù)為100次 TRAINR, Epoch 0/100TRAINR, Epoch 4/100TRAINR, Performance goal met. %對給定數(shù)據(jù)，一個歸于第2類，一個歸于第1類yc = 2 1RBF%輸入從0開始變化到5，每次變化幅度為0.1x=0:0.1:5;y=sqrt(x);%建立一個目標(biāo)誤差為0，徑向基函數(shù)的分布密度為%0.5，隱含層神經(jīng)元個數(shù)的最大值為20，每增加5個%神經(jīng)元顯示一次結(jié)果net=newrb(x,y,0,0.5,20,5);t=sim(net,x);%在以輸入x和函數(shù)值與網(wǎng)絡(luò)輸出之間的差值y-t坐標(biāo)%上繪出誤差曲線，并用*來標(biāo)記函數(shù)值與網(wǎng)絡(luò)輸%出之間的差值plot(x,y-t,*-);%關(guān)閉繪圖句柄下次的圖和已經(jīng)繪制的圖將不在現(xiàn)一張圖上hold off%打開一張新的繪圖面figure%以x、y為橫縱坐標(biāo)，以藍(lán)色的“*”繪圖plot(x,y, b*);hold on%以x、t為橫縱坐標(biāo)，以紅色的“-”繪圖plot(x,t, r-);訓(xùn)練結(jié)束