神经网络的期末考试复习.docx

神经网络的期末考试复习.docx

《神经网络的期末考试复习.docx》由会员分享，可在线阅读，更多相关《神经网络的期末考试复习.docx（31页珍藏版）》请在冰豆网上搜索。

神经网络的期末考试复习

单层感知器

设计神经网络对课本120页给出的坐标点进行二分类。

代码（P127）

P=[-9,1,-12,-4,0,5;...

15,-8,4,5,11,9];

%perception_newp.m

%清理

clear,clc

closeall

%定义输入训练向量

P=[-9,1,-12,-4,0,5;...

15,-8,4,5,11,9];

%期望输出

T=[0,1,0,0,0,1]

figure;

plotpv（P,T）;holdon%%%%%向量坐标

S=size（T,1）;

%创建感知器

net=newp（[-20,20;-20,20],S）;

%训练

net=train（net,P,T）;

plotpc（net.iw{1,1},net.b{1}）%%%%%%%%分类线

%输入训练数据仿真验证

Y=sim（net,P）

设计神经网络对一组模式P进行分类（坐标点4分类）。

P127

P=[0.10.70.80.81.00.30.0-0.3-0.5-1.5;

1.21.81.60.60.80.50.20.8-1.5-1.3];

T=[1110011100;

0000011111];

closeall;clear;clc

%%样本数据与类别

P=[0.10.70.80.81.00.30.0-0.3-0.5-1.5;

1.21.81.60.60.80.50.20.8-1.5-1.3];

T=[1110011100;

0000011111];

V=[-22-22];

figure;

plotpv（P,T,V）;holdon

%%1.维度确认

[R,Q]=size（P）;

[S,Q]=size（T）;

%%2.创建网络

net=newp（minmax（P）,S）;%建立一个感知器网络

%%3.初始化网络

%net.iw{1,1}=rands（S,R）;

%net.b{1}=rands（S,1）;

%net.trainParam.epochs=50;%定义最大循环次数

%%4.训练网络

net=train（net,P,T）;

%%5.结果评估

P_test=P;

T1=sim（net,P）

plotpc（net.iw{1,1},net.b{1}）

线性拟合（P135）newlind

拟合直线方程y=3*x-7

%example5_1.m

x=-5:

5;

y=3*x-7;%直线方程为

%randn（'state',2）;%设置种子，便于重复执行

y=y+randn（1,length（y））*1.5;%加入噪声的直线%%%%%%%%%都是用这个，用来做降噪对比

plot（x,y,'o'）;

P=x;T=y;

net=newlind（P,T）;%用newlind建立线性层

new_x=-5:

.2:

5;%新的输入样本

new_y=sim（net,new_x）;%仿真

holdon;plot（new_x,new_y）;

legend（'原始数据点','最小二乘拟合直线'）;

net.iw%权值为2.9219

%ans=

%

%[2.9219]

net.b%偏置为-6.6797

%ans=

%

%[-6.6797]

title（'newlind用于最小二乘拟合直线'）;

newlin（P136）

%example5_2.m

x=-5:

5;

y=3*x-7;%直线方程为

randn（'state',2）;%设置种子，便于重复执行

y=y+randn（1,length（y））*1.5;%加入噪声的直线%%%%%%%用来做降噪对比

plot（x,y,'o'）;

P=x;T=y;

net=newlin（minmax（P）,1,[0],maxlinlr（P））;%用newlin创建线性网络

tic;net=train（net,P,T）;toc%训练。

与newlind不同，newlin创建的网络需要调用训练函数

new_x=-5:

.2:

5;

new_y=sim（net,new_x）;%仿真

holdon;plot（new_x,new_y）;

legend（'原始数据点','最小二乘拟合直线'）;

title（'newlin用于最小二乘拟合直线'）;

net.iw

%ans=

%

%[2.9219]

net.b

%ans=

%

%[-6.6797]

设计自适应线性网络实现从输入矢量到输出矢量的变换关系。

P136newlin

P=[11.51.2-0.3;

-123-0.5;

21-1.60.9];

T=[0.53-2.21.4;

1.1-1.21.7-0.4;

30.2-1.8-0.4;

-10.1-1.00.6];

closeall;clear;clc

%%样本数据

P=[11.51.2-0.3;

-123-0.5;

21-1.60.9];

T=[0.53-2.21.4;

1.1-1.21.7-0.4;

30.2-1.8-0.4;

-10.1-1.00.6];

%%1.维度确认

[R,Q]=size（P）;

[S,Q]=size（T）;

%%2.创建网络

net=newlin（minmax（P）,S）;

%lr=0.9*maxlinlr（P）;

%net=newlin（minmax（P）,S,[0],lr）;

%%3.初始化网络

net.iw{1,1}=rands（S,R）;

net.b{1}=rands（S,1）;

net.trainParam.epochs=1000;%定义最大循环次数

net.trainParam.goal=0.001;%期望误差

%%4.训练网络

net=train（net,P,T）;

%%5.结果评估

A=sim（net,P）;

e=sqrt（sum（sum（（T-A）.^2）））

设计神经网络实现下面的函数关系。

newlin（P136）

P=-1:

0.1:

1;

T=[-0.96-0.577-0.07290.377

0.6410.660.4610.1336

-0.201-0.434-0.5-0.393

-0.16470.09880.30720.396

0.34490.1816-0.0312-0.2183

-0.3201];

closeall;clear;clc

%%样本数据

P=-1:

0.1:

1;

T=[-0.96-0.577-0.07290.3770.6410.660.4610.1336...

-0.201-0.434-0.5-0.393-0.16470.09880.3072...

0.3960.34490.1816-0.0312-0.2183-0.3201];

figure;

%ind=1:

1;

%plot（P（ind）,T（ind）,'b+','linewidth',2,'MarkerSize',8）;holdon

plot（P,T,'b+','linewidth',2,'MarkerSize',8）;holdon%%%%%%%没啥用，linewidth',2,'MarkerSize',8运行出来的b+的大小

xlim（[-1.11]）;ylim（[-1.11]）;%%%%%%%运行出来的图的坐标区间

set（gcf,'Position',[232,246,500,375]）;%%%%%%%没啥用，运行的图换个位置

%%1.维度确认

[R,Q]=size（P）;

[S,Q]=size（T）;

%%2.创建网络

net=newff（minmax（P）,[5,S],{'tansig','purelin'}）;

%net=newff（minmax（P）,[5,S],{'tansig','purelin'},'traingdm'）;

%net=newcf（minmax（P）,[5,S],{'tansig','purelin'},'trainlm'）;

%%3.初始化网络

net.trainParam.epochs=10000;%定义最大循环次数

net.trainParam.goal=1e-6;%期望误差

%net.trainParam.show=50;

%net.trainParam.lr=0.5;%学习速率

%net.trainParam.mc=0.9;%附加动量法里面的参数

%%4.训练网络

net=train（net,P,T）;%训练网络

%%5.结果评估

P1=-1:

0.01:

max（P）;

A=sim（net,P1）;%网络仿真

figure

plot（P,T,'b+'）

holdon

plot（P1,A,'r'）

%plot（P,A,'r-'）

BP神经网络（P170它的函数是y=x2-4）

设计BP神经网络逼近函数

要求采用Matlab编程实现。

closeall;clear;clc

%%样本数据

P=0:

0.1:

4;

T=sqrt（P/4）;

snr=40;

T=awgn（T,snr）;%%%%%%%%在T信号中加入高斯白噪声，为了对比降噪效果

figure;

%ind=1:

1;

%plot（P（ind）,T（ind）,'b+','linewidth',2,'MarkerSize',8）;holdon

plot（P,T,'b+','linewidth',2,'MarkerSize',8）;holdon%%%%%%%没啥用，linewidth',2,'MarkerSize',8运行出来的b+的大小

xlim（[04]）;ylim（[01]）;%%%%%%%运行出来的图的坐标区间

set（gcf,'Position',[232,246,500,375]）;%%%%%%%没啥用，运行的图换个位置

%%1.维度确认

[R,Q]=size（P）;

[S,Q]=size（T）;

%%2.创建网络

net=newff（minmax（P）,[3,S],{'tansig','purelin'},'trainlm'）;%%%%%%net=newff（最大最小值，输出层节点，默认值，默认trainlm）

%net=newff（minmax（P）,[5,S],{'tansig','purelin'},'traingdm'）;%%%%%%traingdm动量批梯度下降函数，默认trainlm

%net=newcf（minmax（P）,[5,S],{'tansig','purelin'},'trainlm'）;

%%3.初始化网络

net.trainParam.epochs=10000;%定义最大循环次数

net.trainParam.goal=1e-6;%期望误差

%net.trainParam.show=50;

%net.trainParam.lr=0.5;%学习速率

%net.trainParam.mc=0.9;%附加动量法里面的参数

%%4.训练网络

net=train（net,P,T）;%训练网络

%%5.结果评估

P1=0:

0.01:

max（P）;

A=sim（net,P1）;%网络仿真

figure

plot（P,T,'b+'）

holdon

plot（P1,A,'r'）

%plot（P,A,'r-'）

BP网络实现课本241页的坐标点分类。

%BP_for_PR

%%清理

closeall

clear,clc

%%定义数据

rng（'default'）%%%%%%%将种子设为默认值

rng

（2）;%%%%%%%利用rng函数设置随机种子

a=rand（14,2）*10;%训练数据点%%%%%%%产生14x2随机矩阵再乘10，rand为0-1之间的元素，a为0-10之间的元素

p=ceil（a）'%%%%%%%使p为不小于本身的最小整数

tc=[3,1,1,2,1,3,2,3,2,3,3,2,2,3];%类别

figure;

plot（p（1,tc==1）,p（2,tc==1）,'ro','LineWidth',1）;holdon

plot（p（1,tc==2）,p（2,tc==2）,'b*','LineWidth',1）;

plot（p（1,tc==3）,p（2,tc==3）,'k+','LineWidth',1）;

axis（[0,11,0,11]）%%%%%%%%%%坐标取值范围

legend（'第一类','第二类','第三类'）;

%%1.维度确认

[R,Q]=size（p）;

%%2-4.创建与训练RBF网络

T=ind2vec（tc）;

T=full（T）;

%net=newrb（p,T,1e-2,10,Q,1）;

[S,Q]=size（T）;

net=newff（minmax（p）,[9,S],{'tansig','purelin'}）;%%%%%%net=newff（最大最小值，输出层节点，默认值，默认trainlm）

net=train（net,p,T）;%训练网络

%net=newpnn（p,T）;%%%%%%%%设计概率神经网络

%%5.结果评估

%1）训练精度

tc_t=sim（net,p）;

tc_t=compet（tc_t）;

tc_train=vec2ind（tc_t）;

tmp=tc-tc_train;

train_error=length（find（tmp~=0））./length（tmp）;

disp（['训练误差为',num2str（train_error）]）;

%2）画出分类界

x=0:

.4:

11;

N=length（x）;

fori=1:

N

forj=1:

N

xx（1,（i-1）*N+j）=x（i）;

xx（2,（i-1）*N+j）=x（j）;

end

end

figure

（1）;

plot（xx（1,:

）,xx（2,:

）,'go'）

yy=sim（net,xx）;

yy=compet（yy）;

y=vec2ind（yy）;

%3）显示

figure

plot（xx（1,y==1）,xx（2,y==1）,'ro'）;

holdon;

plot（xx（1,y==2）,xx（2,y==2）,'b*'）;

plot（xx（1,y==3）,xx（2,y==3）,'k+'）;

plot（p（1,tc==1）,p（2,tc==1）,'ro','LineWidth',3）;

plot（p（1,tc==2）,p（2,tc==2）,'b*','LineWidth',3）;

plot（p（1,tc==3）,p（2,tc==3）,'k+','LineWidth',3）;

axis（[0,11,0,11]）

legend（'第一类','第二类','第三类'）;

title（'分类结果'）;

设计RBF神经网络逼近函数

newrb

要求采用Matlab编程实现，并与BP神经网络的结果进行对比。

closeall;clear;clc

%%样本数据

P=0:

0.1:

4;

T=sqrt（P/4）;

snr=40;

T=awgn（T,snr）;%%%%%%%%在T信号中加入高斯白噪声，为了对比降噪效果

figure;

%ind=1:

1;

%plot（P（ind）,T（ind）,'b+','linewidth',2,'MarkerSize',8）;holdon

plot（P,T,'b+','linewidth',2,'MarkerSize',8）;holdon%%%%%%%没啥用，linewidth',2,'MarkerSize',8运行出来的b+的大小

xlim（[04]）;ylim（[01]）;%%%%%%%运行出来的图的坐标区间

set（gcf,'Position',[232,246,500,375]）;%%%%%%%没啥用，运行的图换个位置

%%1.维度确认

[R,Q]=size（P）;

[S,Q]=size（T）;

%%2-4.创建与训练网络

%net=newrb（P,T,1e-5,5,Q,1）;%%%%%%%%%%%%%net=newrb（P,T，指定均方误差[默认0]，扩散速度[默认1]，隐含节点最大个数[默认Q]，控制显示级别的参数[默认25]）

net=newrb（P,T,1e-5,5）;

%%5.结果评估

P1=0:

0.01:

max（P）;

A=sim（net,P1）;%网络仿真

figure

plot（P,T,'b+'）

holdon

plot（P1,A,'r'）

%plot（P,A,'r-'）

根据课本241页给出的坐标点数据，分别设计RBF网络和PNN网络实现坐标点分类，并进行结果对比。

P227和p237

%RBF_for_PR

%%清理

closeall

clear,clc

%%定义数据

rng（'default'）%%%%%%%将种子设为默认值

rng

（2）;%%%%%%%利用rng函数设置随机种子

a=rand（14,2）*10;%训练数据点%%%%%%%产生14x2随机矩阵再乘10，rand为0-1之间的元素，a为0-10之间的元素

p=ceil（a）'%%%%%%%使p为不小于本身的最小整数

tc=[3,1,1,2,1,3,2,3,2,3,3,2,2,3];%类别

figure;

plot（p（1,tc==1）,p（2,tc==1）,'ro','LineWidth',1）;holdon

plot（p（1,tc==2）,p（2,tc==2）,'b*','LineWidth',1）;

plot（p（1,tc==3）,p（2,tc==3）,'k+','LineWidth',1）;

axis（[0,11,0,11]）

legend（'第一类','第二类','第三类'）;

%%1.维度确认

[R,Q]=size（p）;

%%2-4.创建与训练RBF网络

T=ind2vec（tc）;

T=full（T）;

net=newrb（p,T,1e-2,10,Q,1）;%%%%%%net=newrb（P,T，指定均方误差[默认0]，扩散速度[默认1]，隐含节点最大个数[默认Q]，控制显示级别的参数[默认25]）

%net=newpnn（p,T）;

%%5.结果评估

%1）训练精度

tc_t=sim（net,p）;

tc_t=compet（tc_t）;

tc_train=vec2ind（tc_t）;

tmp=tc-tc_train;

train_error=length（find（tmp~=0））./length（tmp）;

disp（['训练误差为',num2str（train_error）]）;

%2）画出分类界

x=0:

.4:

11;

N=length（x）;

fori=1:

N

forj=1:

N

xx（1,（i-1）*N+j）=x（i）;

xx（2,（i-1）*N+j）=x（j）;

end

end

figure

（1）;

plot（xx（1,:

）,xx（2,:

）,'go'）

yy=sim（net,xx）;

yy=compet（yy）;

y=vec2ind（yy）;

%3）显示

figure

plot（xx（1,y==1）,xx（2,y==1）,'ro'）;

xlim（[011]）;ylim（[011]）;

holdon;

plot（xx（1,y==2）,xx（2,y==2）,'b*'）;

plot（xx（1,y==3）,xx（2,y==3）,'k+'）;

plot（p（1,tc==1）,p（2,tc==1）,'ro','LineWidth',3）;

plot（p（1,tc==2）,p（2,tc==2）,'b*','LineWidth',3）;

plot（p（1,tc==3）,p（2,tc==3）,'k+','LineWidth',3）;

axis（[0,11,0,11]）

legend（'第一类','第二类','第三类'）;

title（'分类结果'）;

利用Matlab神经网络工具箱函数，通过基本竞争神经网络和自组织映射网络（SOM）两种方式分别实现下列坐标点的聚类。

聚类的类别数目可以选择2~4个，建议类别数目观察输出结果。

数据来源于课表269页表8-1。

基本竞争神经网络（工具箱）

%采用竞争神经网络,实现数据聚类

%采用Matlab工具箱函数

%%清理

closeall;clear,clc

%%样本数据

x0=[4.1,1.8,0.5,2.9,4.0,0.6,3.8,4.3,3.2,1.0,3.0,3.6,3.8,3.7,3.7,8.6,9.1,...

7.5,8.1,9.0,6.9,8.6,8.5,9.6,10.0,9.3,6.9,6.4,6.7,8.7;...

8.1,5.8,8.0,5.2,7.1,7.3,8.1,6.0,7.2,8.3,7.4,7.8,7.0,6.4,8.0,...

3.5,2.9,3.8,3.9,2.6,4.0,2.9,3.2,4.9,3.5,3.3,5.5,5.0,4.4,4.3];

figure;

plot（x0（1,:

）,x0（2,:

）,'bo'）%%%%%%%绘制坐标点，不用改

%%建立竞争网络，两个类别

%net=competlayer

（2）;%%%%%%%新版竞争网络函数，net=competlayer（a）,分为几类a就是几

net=new