Matlab中各种神经网络的使用示例Word格式文档下载.docx
《Matlab中各种神经网络的使用示例Word格式文档下载.docx》由会员分享，可在线阅读，更多相关《Matlab中各种神经网络的使用示例Word格式文档下载.docx（8页珍藏版）》请在冰豆网上搜索。
最大训练时间（缺省为inf）
[net,tr]=train（net,P,t）;
%网络训练
a=sim（net,P）
%网络仿真
%通用径向基函数网络
%其在逼近能力,分类能力,学习速度方面均优于BP神经网络
%在径向基网络中,径向基层的散步常数是spread的选取是关键
%spread越大,需要的神经元越少,但精度会相应下降,spread的缺省值为1
%可以通过net=newrbe（P,T,spread）生成网络,且误差为0
%可以通过net=newrb（P,T,goal,spread）生成网络,神经元由1开始增加,直到达到训练精度或神经元数目最多为止
%GRNN网络,迅速生成广义回归神经网络（GRNN）
P=[456];
T=[1.53.66.7];
net=newgrnn（P,T）;
%仿真验证
p=4.5;
v=sim（net,p）
%PNN网络,概率神经网络
P=[00;
11;
03;
14;
31;
41;
43]'
;
Tc=[1122333];
%将期望输出通过ind2vec（）转换,并设计、验证网络
T=ind2vec（Tc）;
net=newpnn（P,T）;
Y=sim（net,P）;
Yc=vec2ind（Y）
%尝试用其他的输入向量验证网络
P2=[14;
01;
52]'
Y=sim（net,P2）;
%应用newrb（）函数构建径向基网络,对一系列数据点进行函数逼近
P=-1:
0.1:
1;
T=[-0.9602-0.5770-0.07290.37710.64050.66000.4609...
0.1336-0.2013-0.4344-0.500-0.3930-0.1647-0.0988...
0.30720.39600.34490.1816-0.0312-0.2189-0.3201];
%绘制训练用样本的数据点
plot（P,T,'
r*'
）;
title（'
训练样本'
xlabel（'
输入向量P'
ylabel（'
目标向量T'
%设计一个径向基函数网络，网络有两层,隐层为径向基神经元,输出层为线性神经元
%绘制隐层神经元径向基传递函数的曲线
p=-3:
.1:
3;
a=radbas（p）;
plot（p,a）
径向基传递函数'
）
输入向量p'
%隐层神经元的权值、阈值与径向基函数的位置和宽度有关,只要隐层神经元数目、权值、阈值正确,可逼近任意函数
%例如
a2=radbas（p-1.5）;
a3=radbas（p+2）;
a4=a+a2*1.5+a3*0.5;
plot（p,a,'
b'
p,a2,'
g'
p,a3,'
r'
p,a4,'
m--'
径向基传递函数权值之和'
输入p'
输出a'
%应用newrb（）函数构建径向基网络的时候,可以预先设定均方差精度eg以及散布常数sc
eg=0.02;
sc=1;
%其值的选取与最终网络的效果有很大关系,过小造成过适性,过大造成重叠性
net=newrb（P,T,eg,sc）;
%网络测试
*'
输入'
X=-1:
.01:
Y=sim（net,X）;
holdon
plot（X,Y）;
holdoff
legend（'
目标'
'
输出'
%应用grnn进行函数逼近
P=[12345678];
T=[01232121];
.'
markersize'
30）
axis（[09-14]）
待逼近函数'
P'
T'
%网络设计
%对于离散数据点,散布常数spread选取比输入向量之间的距离稍小一些
spread=0.7;
net=newgrnn（P,T,spread）;
A=sim（net,P）;
outputline=plot（P,A,'
o'
10,'
color'
[100]）;
检测网络'
T和A'
%应用pnn进行变量的分类
P=[12;
22;
11];
%输入向量
Tc=[123];
%P对应的三个期望输出
%绘制出输入向量及其相对应的类别
plot（P（1,:
）,P（2,:
）,'
fori=1:
3
text（P（1,i）+0.1,P（2,i）,sprintf（'
class%g'
Tc（i）））
end
axis（[0303]）;
三向量及其类别'
P（1,:
）'
P（2,:
spread=1;
net=newgrnn（P,T,speard）;
Ac=vec2ind（A）;
%绘制输入向量及其相应的网络输出
Ac（i）））
网络测试结果'
%广义回归神经网络
%%GRNN神经网络，主要用于函数逼近。
x=-2:
0.01:
1
y=2*x.^6+3*x.^5-3*x.^3+x.^2+1
P=x（1:
15:
end）
T=y（1:
spread=[0.050.20.40.60.8];
l_style={'
r.-'
bo--'
ko-.'
k*--'
r^-'
};
length（spread）
net=newgrnn（P,T,spread（i））;
a=sim（net,P）;
plot（P,a,l_style{i}）
holdon
spread=0.05'
spread=0.2'
spread=0.4'
spread=0.6'
spread=0.8'
traindata'
GRNN神经网络spread探讨'
loaddata;
%载入数据并将数据分成训练和预测两类
p_train=p（1:
10,:
p_test=p（11:
13,:
t_train=t（1:
t_test=t（11:
%将各个矩阵转置以便适应网络结构
p_train=p_train'
t_train=t_train'
p_test=p_test'
t_test=t_test'
%将数据归一化
[pn,minp,maxp,tn,mint,maxt]=premnmx（p_train,t_train）;
p2n=tramnmx（p_test,minp,maxp）;
forsc=0.1:
tic,
net=newgrnn（pn,tn,sc）;
sc
toc
Out=sim（net,p2n）;
a2=postmnmx（Out,mint,maxt）;
e=t_test-a2'
perf=mse（e）;
Y=sim（net,pn）;
a3=postmnmx（Y,mint,maxt）;
ep=a3-t_train;
perfp=mse（ep）;
holdon;
figure
（1）;
title（'
网络的预测误差'
plot（sc,perf,'
g:
figure
（2）;
网络的逼近误差'
plot（sc,perfp,'
r:
%通用感应器神经网络
P=[-0.5-0.50.3-0.1-40;
-0.50.5-0.5150];
%输入向量
T=[11001];
%期望输出
plotpv（P,T）;
%描绘输入点图像
net=newp（[-401;
-150],1）;
%生成网络，其中参数分别为输入向量的范围和神经元感应器数量
linehandle=plotpc（net.iw{1},net.b{1}）;
net.adaptparam.passes=3;
fora=1:
25%训练次数
[net,Y,E]=adapt（net,P,T）;
linehandle=plotpc（net.iw{1},net.b{1},linehandle）;
drawnow;
%通用线性网络程序
%通用newlind进行预测
time=0:
0.025:
5;
T=sin（time*4*pi）;
Q=length（T）;
P=zeros（5,Q）;
%P中存储信号T的前5（可变，根据需要而定）次值，作为网络输入。
P（1,2:
Q）=T（1,1:
（Q-1））;
P（2,3:
（Q-2））;
P（3,4:
（Q-3））;
P（4,5:
（Q-4））;
P（5,6:
（Q-5））;
plot（time,T）%绘制信号T曲线
时间'
ylabe
升级会员 