常用的人工神经网络案例
1 感知器网络MatLab上机实验
例1.1
用newp函数设计一个单输入和一个神经元的感知器神经网络，输入的最小值和最大值为?0,2?。
>> net=newp([0 2],1);
可以用下面语句来观察生成了一个什么样的神经网络。
>> inputweights = net.inputWeights{1,1}
inputweights =
delays: 0
initFcn: 'initzero' learn: 1
learnFcn: 'learnp' learnParam: [] size: [1 1]
userdata: [1x1 struct] weightFcn: 'dotprod' weightParam: [1x1 struct]
从中可以看到，缺省的学习函数为learnp，网络输入给hardlim传递函数的量为数量积dotprod，即输入量和权值矩阵的乘积，然后再加上阈值。缺省的初始化函数为initzero，即权值的初始值置为0。
同样地，
>> biases = net.biases{1,1}
biases =
initFcn: 'initzero' learn: 1
learnFcn: 'learnp' learnParam: [] size: 1
userdata: [1x1 struct]
例1.2
设计一个输入为二维向量的感知器网络，其边界值已定。 >> net = newp([-2 2;-2 2],1);
和上面的例子一样，权值和阈值的初始值为0。如果不想预置为0，则必须单独生成。
例如，两个权值和阈值分别为[-1 1]和1，应用如下语句： >> net.IW{1,1}=[-1 1];
>> net.b{1,1}=[1]; 应用下面语句验证一下：
>> net.IW{1,1}
ans =
-1 1
>> net.b{1,1}
ans = 1
下面来看这个感知器网络对两个输入信号的输出如何，两个信号分别位于感知器两个边界。
第一个输入信号：
>> P1=[1;1];
>> a1=sim(net,P1)
a1 = 1
第二个输入信号：
>> P2=[1;-1]; >> a2=sim(net,P2)
a2 = 0
由此看出，输出是正确的，感知器为输入信号进行了正确的分类。
若将两个输入信号组成一个数列，则输出量也为一个数列。
>> P3={[1;1],[1;-1]}; >> a3=sim(net,P3)
a3 =
[1] [0]
例1.3
首先有newp函数生成一个神经网络。
>> net = newp([-2 2;-2 2],1); 其权值为：
>> wts = net.IW{1,1}
wts =
0 0 其阈值为：
>> bias = net.b{1,1}
bias = 0
改变权值和阈值：
>> net.IW{1,1}=[3,4]; >> net.b{1,1}=[5];
检查权值和阈值，确实已经改变了：
>> wts=net.IW{1,1}
wts =
3 4
>> bias=net.b{1,1}
bias = 5
然后应用init来复原权值和阈值。
>> net=init(net);
>> wts = net.IW{1,1}
wts =
0 0 >> bias=net.b{1,1}
bias = 0
由此可见，应用init可以复原感知器初始值。 例1.4
应用init改变网络输入的权值和阈值为随机数。
>> net.inputweights{1,1}.initFcn='rands';