新建
上传
首页
助手
最?/div>
资料?/div>
工具

神经网络

 

1.

 

单层感知?/p>

 

数据分类

 

输出?/p>

0

?/p>

1 

解决线性可分的分类模型

 

?/p>

1.

从待分类的数据中取出一部分数据及其对应的类别作为样本数?/p>

,

设计并训练一?/p>

能对分类数据进行分类的单层感知器神经网络

 

代码

: 

%

给定训练样本数据

 

P=[-.4 -.5 .6;.9 0 .1]; 

%

给定样本数据所对应的类别,?/p>

0

?/p>

1

来表示两种类?/p>

 

T=[1 1 0]; 

%

创建一个有两个输入?/p>

样本数据的取值范围都?/p>

[-1 1]

之间

,

并且网络只有一个神经元?/p>

感知器神经网?/p>

 

net=newp([-1 1;-1 1],1); 

%

设置网络的最大训练次数为

20

?/p>

 

net.trainParam.epochs=20; 

%

使用训练函数对创建的网络进行训练

 

net=train(net,P

,T); 

%

对训练后的网络进行仿?/p>

 

Y=sim(net,P) 

%

计算网络的平均绝对误差,表示网络错误分类

 

E1=mae(Y-T) 

%

给定测试数据,检测训练好的神经网络的性能

 

Q=[0.6 0.9 -0.1;-0.1 -0.5 0.5]; 

%

使用测试数据,对网络进行仿真,仿真输出即为分类的结果

 

Y1=sim(net,Q) 

%

创建一个新的绘图窗?/p>

 

figure; 

%

在坐标中绘制测试数据点,并根据数据所对应的类别用约定的符号画?/p>

 

plotpv(Q,Y1); 

%

在坐标中绘制分类?/p>

 

plotpc(net.iw{1},net.b{1}) 

2.

 

线性神经网络模?/p>

 

线性神经网络类似感知器

,

但是线性神经网络的激活函数是线性的

,

而不是硬线转移函?/p>

,

因此

,

线性神经网络的输出可以是任意?/p>

,

而感知器的输出不?/p>

0

就是

1,

线性神经网络网

络和感知器一样只能解决线性可分的问题

. 

?/p>

2.

要求设计一个线性神经网?/p>

,

寻找给定数据之间的线性关?/p>

 

代码

: 

P=[1.1 -1.3]; 

T=[0.6 1]; 

%

创建一个只有一个输出,输入延迟?/p>

0

,学习速率?/p>

0.01

的线性神经网络,

minmax(P)

?/p>

示样本数据的取值范?/p>

 

 

net=newlin(minmax(P),1,0,0.01); 

Ͼλ
新建
上传
首页
助手
最?/div>
资料?/div>
工具

神经网络

 

1.

 

单层感知?/p>

 

数据分类

 

输出?/p>

0

?/p>

1 

解决线性可分的分类模型

 

?/p>

1.

从待分类的数据中取出一部分数据及其对应的类别作为样本数?/p>

,

设计并训练一?/p>

能对分类数据进行分类的单层感知器神经网络

 

代码

: 

%

给定训练样本数据

 

P=[-.4 -.5 .6;.9 0 .1]; 

%

给定样本数据所对应的类别,?/p>

0

?/p>

1

来表示两种类?/p>

 

T=[1 1 0]; 

%

创建一个有两个输入?/p>

样本数据的取值范围都?/p>

[-1 1]

之间

,

并且网络只有一个神经元?/p>

感知器神经网?/p>

 

net=newp([-1 1;-1 1],1); 

%

设置网络的最大训练次数为

20

?/p>

 

net.trainParam.epochs=20; 

%

使用训练函数对创建的网络进行训练

 

net=train(net,P

,T); 

%

对训练后的网络进行仿?/p>

 

Y=sim(net,P) 

%

计算网络的平均绝对误差,表示网络错误分类

 

E1=mae(Y-T) 

%

给定测试数据,检测训练好的神经网络的性能

 

Q=[0.6 0.9 -0.1;-0.1 -0.5 0.5]; 

%

使用测试数据,对网络进行仿真,仿真输出即为分类的结果

 

Y1=sim(net,Q) 

%

创建一个新的绘图窗?/p>

 

figure; 

%

在坐标中绘制测试数据点,并根据数据所对应的类别用约定的符号画?/p>

 

plotpv(Q,Y1); 

%

在坐标中绘制分类?/p>

 

plotpc(net.iw{1},net.b{1}) 

2.

 

线性神经网络模?/p>

 

线性神经网络类似感知器

,

但是线性神经网络的激活函数是线性的

,

而不是硬线转移函?/p>

,

因此

,

线性神经网络的输出可以是任意?/p>

,

而感知器的输出不?/p>

0

就是

1,

线性神经网络网

络和感知器一样只能解决线性可分的问题

. 

?/p>

2.

要求设计一个线性神经网?/p>

,

寻找给定数据之间的线性关?/p>

 

代码

: 

P=[1.1 -1.3]; 

T=[0.6 1]; 

%

创建一个只有一个输出,输入延迟?/p>

0

,学习速率?/p>

0.01

的线性神经网络,

minmax(P)

?/p>

示样本数据的取值范?/p>

 

 

net=newlin(minmax(P),1,0,0.01); 

">
新建
上传
首页
助手
最?/div>
资料?/div>
工具

神经网络

 

1.

 

单层感知?/p>

 

数据分类

 

输出?/p>

0

?/p>

1 

解决线性可分的分类模型

 

?/p>

1.

从待分类的数据中取出一部分数据及其对应的类别作为样本数?/p>

,

设计并训练一?/p>

能对分类数据进行分类的单层感知器神经网络

 

代码

: 

%

给定训练样本数据

 

P=[-.4 -.5 .6;.9 0 .1]; 

%

给定样本数据所对应的类别,?/p>

0

?/p>

1

来表示两种类?/p>

 

T=[1 1 0]; 

%

创建一个有两个输入?/p>

样本数据的取值范围都?/p>

[-1 1]

之间

,

并且网络只有一个神经元?/p>

感知器神经网?/p>

 

net=newp([-1 1;-1 1],1); 

%

设置网络的最大训练次数为

20

?/p>

 

net.trainParam.epochs=20; 

%

使用训练函数对创建的网络进行训练

 

net=train(net,P

,T); 

%

对训练后的网络进行仿?/p>

 

Y=sim(net,P) 

%

计算网络的平均绝对误差,表示网络错误分类

 

E1=mae(Y-T) 

%

给定测试数据,检测训练好的神经网络的性能

 

Q=[0.6 0.9 -0.1;-0.1 -0.5 0.5]; 

%

使用测试数据,对网络进行仿真,仿真输出即为分类的结果

 

Y1=sim(net,Q) 

%

创建一个新的绘图窗?/p>

 

figure; 

%

在坐标中绘制测试数据点,并根据数据所对应的类别用约定的符号画?/p>

 

plotpv(Q,Y1); 

%

在坐标中绘制分类?/p>

 

plotpc(net.iw{1},net.b{1}) 

2.

 

线性神经网络模?/p>

 

线性神经网络类似感知器

,

但是线性神经网络的激活函数是线性的

,

而不是硬线转移函?/p>

,

因此

,

线性神经网络的输出可以是任意?/p>

,

而感知器的输出不?/p>

0

就是

1,

线性神经网络网

络和感知器一样只能解决线性可分的问题

. 

?/p>

2.

要求设计一个线性神经网?/p>

,

寻找给定数据之间的线性关?/p>

 

代码

: 

P=[1.1 -1.3]; 

T=[0.6 1]; 

%

创建一个只有一个输出,输入延迟?/p>

0

,学习速率?/p>

0.01

的线性神经网络,

minmax(P)

?/p>

示样本数据的取值范?/p>

 

 

net=newlin(minmax(P),1,0,0.01); 

Ͼλ">
Ͼλ
Ŀ

神经网络例子 - 百度文库
新建
上传
首页
助手
最?/div>
资料?/div>
工具

神经网络

 

1.

 

单层感知?/p>

 

数据分类

 

输出?/p>

0

?/p>

1 

解决线性可分的分类模型

 

?/p>

1.

从待分类的数据中取出一部分数据及其对应的类别作为样本数?/p>

,

设计并训练一?/p>

能对分类数据进行分类的单层感知器神经网络

 

代码

: 

%

给定训练样本数据

 

P=[-.4 -.5 .6;.9 0 .1]; 

%

给定样本数据所对应的类别,?/p>

0

?/p>

1

来表示两种类?/p>

 

T=[1 1 0]; 

%

创建一个有两个输入?/p>

样本数据的取值范围都?/p>

[-1 1]

之间

,

并且网络只有一个神经元?/p>

感知器神经网?/p>

 

net=newp([-1 1;-1 1],1); 

%

设置网络的最大训练次数为

20

?/p>

 

net.trainParam.epochs=20; 

%

使用训练函数对创建的网络进行训练

 

net=train(net,P

,T); 

%

对训练后的网络进行仿?/p>

 

Y=sim(net,P) 

%

计算网络的平均绝对误差,表示网络错误分类

 

E1=mae(Y-T) 

%

给定测试数据,检测训练好的神经网络的性能

 

Q=[0.6 0.9 -0.1;-0.1 -0.5 0.5]; 

%

使用测试数据,对网络进行仿真,仿真输出即为分类的结果

 

Y1=sim(net,Q) 

%

创建一个新的绘图窗?/p>

 

figure; 

%

在坐标中绘制测试数据点,并根据数据所对应的类别用约定的符号画?/p>

 

plotpv(Q,Y1); 

%

在坐标中绘制分类?/p>

 

plotpc(net.iw{1},net.b{1}) 

2.

 

线性神经网络模?/p>

 

线性神经网络类似感知器

,

但是线性神经网络的激活函数是线性的

,

而不是硬线转移函?/p>

,

因此

,

线性神经网络的输出可以是任意?/p>

,

而感知器的输出不?/p>

0

就是

1,

线性神经网络网

络和感知器一样只能解决线性可分的问题

. 

?/p>

2.

要求设计一个线性神经网?/p>

,

寻找给定数据之间的线性关?/p>

 

代码

: 

P=[1.1 -1.3]; 

T=[0.6 1]; 

%

创建一个只有一个输出,输入延迟?/p>

0

,学习速率?/p>

0.01

的线性神经网络,

minmax(P)

?/p>

示样本数据的取值范?/p>

 

 

net=newlin(minmax(P),1,0,0.01); 



ļ׺.doc޸Ϊ.docĶ

  • 2016-2022йҵչּʮͶʹ滮о
  • ҵԴʦܼ
  • ʦʷϵ22ȫսı__ѧơ)
  • г滮(2012-2030)
  • 2015-2020йĤҵչ״Ͷʷձ
  • dzõC½ϰ⼯
  • 2019-2025йú̿ҵгչ̬ƼͶǰԱ
  • ӿɽЭĻչ˼
  • ̼귶
  • ͼݹϵͳƱ

վ

԰ Ͼλ
ϵͷ779662525#qq.com(#滻Ϊ@)