完整word版神经网络学习算法matlab仿真word文档良心出品docxWord格式.docx
《完整word版神经网络学习算法matlab仿真word文档良心出品docxWord格式.docx》由会员分享，可在线阅读，更多相关《完整word版神经网络学习算法matlab仿真word文档良心出品docxWord格式.docx（15页珍藏版）》请在冰豆网上搜索。
clearall;
closeall;
nu=20;
pi=3.1415926;
fori=1:
nu
p（i）=2*pi*i/nu;
t（i）=0.5*（1+cos（p（i）））;
end
minmax=[min（p（:
））max（p（:
））]
net=newff（[07],[61],{'
logsig'
'
purelin'
},'
traingd'
）;
%traingdtraingdmtrainlmnet.trainParam.epochs=10000;
net.trainParam.goal=0.0001;
net.trainParam.show=200;
net.trainParam.lr=0.1;
net.trainParam.mc=0.6;
%0.9defaultvalue;
availableformomentumnet=train（net,p,t）;
y1=sim（net,p）;
figure
（2）;
plot（p,t,'
*-'
p,y1,'
r--'
）
%**************testdata******************
nu2=nu*3/2;
（nu2）
p2（i）=2*pi*i/（nu2）;
t2（i）=0.5*（1+cos（p2（i）））;
y2=sim（net,p2）;
figure（3）;
plot（t2,'
holdon;
plot（y2,'
r'
xlabel（'
times'
ylabel（'
outputs'
figure（4）;
plot（t2-y2）;
error'
（b）为了进一步提高学习逼近效果，可以采取那些措施，调节规律如何？
根据所提的每种措施，修改算法程序，给出仿真效果验证、过程以及相应的曲线图，给出适当的评述；
（c）联系、结合前向神经网络的算法样本学习、测试等过程，谈谈本人对神经网络系统的一些认识和看法。
（2）要求
提交完整的报告，包括：
封面（题目、个人学号姓名等信息）、目录、任务要求叙述、系
-3-
统分析及设计原理（包括神经网络学习过程的原理图及文字分析）、完整的设计实现过程（包括
神经网络结构、参数等选择与实现、计算、原理过程等）、仿真验证（算法流程图、实现手段
介绍、系统参数选择、曲线图、结合调参对响应曲线的影响给出必要的分析）、讨论与分析，
总字数要求在2000以上。
二．系统分析及设计原理
（1）神经网络的学习算法
学习过程实质上是针对一组给定的输入xp（p1,2,N）使网络产生相应的期望输出
的过程。
总的来说，神经网络的学习算法分为两大类：
有导师学习和无导师学习。
输入信号X
网络输出Y
神经网络
期望输出T
距离计算
图1：
有导师指导神经网络学习方式图2无导师指导神经网络学习方式
由上图可见，所谓有导师学习就是在训练过程中，始终存在一个期望的网络输出。
期望
输出和实际输出之间的距离作为误差度量并用于调整权值。
而无导师学习指的是网络不存在
一个期望的输出，因而没有直接的误差信息，因此，为实现对网络的训练，徐建立一个简洁
的评价函数，以对网络的某种行为取向做出评价。
（2）多层传播网络的学习算法
给定N组样本
（X1,T1;
X2,T2;
Xp,Tp;
）。
这里Xi为ni维输入矢量，Ti为no维
期望的输出矢量，i
1,2P,.假设矢量y和o分别表示网络的输出层和隐含层的输出
矢量。
则训练过程为：
（1）选
0，Emax作为最大容许误差，并将权系数
Wl,l,l1,2,L,初始化成某
一小的随机权矩阵。
p1,E
（2）训练开始
Op
（1）
Xp,T
Tp
nr
按照Opj（r1）
r1（wrjl
1oplr
jr1）,r
0,1,2
L1计算出各隐含层神经元的
i1
-4-
nL
尽力输出，按照
ypj
L（NetpjL
L（
wLjiopiL1
jL）,L1,2no计算出各输
出层神经元的激励输出。
（3）
计算误差E
（tk
yk）2/2
E,k
1,2
no
（4）
按公式
L
Ep
Ep
（t
pj
NetpjL
ypj
r
orpj
（
Netpjr
（orpk
1wkjr1）
r（Netpjr））
k
pjypj）L（NetLpj）
Netpkr1
r（Netpjr））
Netpkr
opjr
计算出pjL,pjr
（5）调整权阵系数
rr1
wji
pj,opj
j
（6）若pP,pp1，跳转到
（2），否则跳转到（7）
（7）若EEmax,结束，否则p1,E0，跳转到
（2）。
三．设计实现
（1）神经网络的结构（BP算法的神经网络结构）
下图是一个多层传播结构。
即在输入层和输出层之间嵌入一层或多层隐含层的网络结
构。
隐含层单元既可以与叔叔出单元相连也可以与其他隐含层单元相连。
隐含层单元与输入
单元之间通过突触权系数wij1连接，并可用矩阵w1表示全部关系。
隐含层单元与输出单元之间通过突触权系数wij21连接，全部关系可用矩阵w2表示。
图3：
神经网络结构图
-5-
（2）Maltab神经网络工具箱
1函数介绍
①newc（）创建级联前向网络
②②newff（）创建前向BP网络
③③newffd（）创建存在输入延迟的前向网络
在此次实验中，采用第二个函数即创建的是前向BP网络。
前向网络中各神经元接
受前一级的输入，并输出到下一级，网络中没有反馈，可以用一个有向无环路图表示，
这种神经网络称为前向网络。
前向网络中节点分为两类，输入节点和计算节点。
每个输
入节点可以有任意个输入，但只有一个输出。
而输出可以耦合到任意多个其他节点的输
入。
前向网络通常可以分为不同的层，第i层的输入仅与第i-1层的输出连接。
一般认
为输入节点为第一层，具有一层计算节点的网络实际上是一个两层网络。
由于输入节点
和输出节点可以和外界连接，直接接受环境的影响，所以称为可见层。
而其他中间层则称为隐层。
2Newff（）函数参数介绍
newff函数的格式为：
net=newff（PR,[S1S2...SN],{TF1TF2...TFN},BTF,BLF,PF），
函数newff建立一个可训练的前馈网络。
输入参数说明：
PR：
Rx2的矩阵以定义R个输入向量的最小值和最大值；
Si：
第i层神经元个数；
TFi：
第i层的传递函数，默认函数为tansig函数；
BTF：
训练函数，默认函数为trainlm函数；
BLF：
权值/阀值学习函数，默认函数为learngdm函数；
PF：
性能函数，默认函数为mse函数。
3程序中参数含义
（1）Newff（）函数中的参数
a）传递函数有三种tansig（n）=2/（1+exp（-2*n））-1logsig（n）=1/（1+exp（-n））purelin（n）=n
b）训练函数有12种
trainbrBayes规范化BP训练函数trainc循环顺序渐增训练函数
traincgbPowell-Beale连接梯度BP训练函数traincgfFletcher-Powell连接梯度BP训练函数
traincgpPolak-Ribiere连接梯度BP训练函数
traingda自适应lrBP的梯度递减训练函数
traingdx动量及自适应lrBP的梯度递减训练函数
trainlmLevenberg-MarquardtBP训练函数
-6-
trainoss一步正切BP训练函数
trainr随机顺序递增更新训练函数
trainrp带反弹的BP训练函数
trains顺序递增BP训练函数
trainscg量化连接梯度BP训练函数
（2）其他参数
net.trainParam.epochs=10000;
允许最大训练步数
10000
net.trainParam.goal=0.001;
训练目标最小误差
0.001
每间隔200步显示一次训练结果
学习步长0.1
动量因子
四．仿真验证
（1）参数调节方法
首先改变传递函数，保持其他参数不变的条件下，将传递函数换成其余两个传递函数，
观察运行结果，比较选出
升级会员 