matlab神经网络.doc

Mａtlab神经网络工具箱
2010—７—2１
今天学的是ＢP神经网络，首先看的是一个关于非线性函数逼近的例子，最后得出一个心得:在使用nｅwff函数生成一个新的网络时，神经元的层数和每一层的神经元数会对结果造成不小的影响，一般都采用[ｎ，1］的建立方法，其中n为隐层的神经元数，1为输出层的神经元数。
然后是做了一个识别系统，算是一个较大的神经网络,具体的代码解释和分析如下:
[aｌphaｂet，targetｓ］＝pｒｐｒoｂ;
［R，Ｑ]=size(alphabｅt）;
［S２，Q］=size(targetｓ）；
S1=10;
[R,Q]=sｉzｅ(alphaｂｅt）；
[Ｓ2，Ｑ]＝ｓizｅ（taｒｇeｔs)；
P＝ａlpｈabet；
net＝ｎewff(minmax（Ｐ),[Ｓ１，S2］,{’lｏｇsig',＇ｌoｇsig’}，’traingdx’）；
｛２,1｝=ｎet．LW{2，1｝＊０。0１;
net．b{2}=｛2｝+0。0１;
其中的ｐropｒob是ｍatｌaｂ自带的一个生成字母表布尔值的函数。可以具体查看。
Ｔ＝ｔargets;
neｔ。peｒfｏrmFcn='sse＇;
nｅt。traｉnＰaraｍ．ｇｏal＝０．1;
net．=2０;
。eｐochs=50０0;
＝０。95;
［net,tｒ]=train（nｅt，P，Ｔ)
接下来首先进行无噪声训练。
nｅtn．=；
netn．trainPaｒａm。epoｃｈs=3０0；
T=［targｅts targets tａｒｇetｓ targets］;
for paｓs=１：10
          P=［alｐhabet，alpｈabet,（aｌphabet+ｒａnｄn(R,Q）*０。1)，（alphabet+ranｄn(R，Ｑ）*0。2）]；
          ［netｎ，tr］=ｔraiｎ（nｅｔ,P，T)；
ｅnd
接下来是有噪声训练，采用随机数生成影响输入矩阵的方式。这里收敛的有点慢,在应用于其他系统的时候值得注意。
neｔn。ｔｒainＰaｒam。goal=0．１;
=5０0；
ｎｅtn．＝5;
P=alphabet；
T=tａrgｅｔｓ；
［nｅt，tr］=tｒaｉｎ(neｔn,P,Ｔ)
接下来还进行无噪声训练，可能是前面的逼近情况已经很了理想了，这里只用了0次循环。。..。.
noise_raｎｇe＝0:.05:．5;           ％标准差范围
mａx＿tesｔ=100;                                 ％噪声信号总数
ｎetwｏｒk1=［］；
ｎetwork２=[]；
T=ｔarｇｅtｓ；
ｆor nｏiseｌｅｖeｌ＝noiｓe_ranｇe
           eｒrors1＝0;
           eｒroｒｓ2=０;
           for i=1：max＿test
               　P=ａlpｈabeｔ+ｒandｎ（3５，26)＊noisｅｌeｖｅl;
               　A=siｍ(net，P);
AA=compet（A）；          
                erｒors1＝eｒroｒs1+sum(suｍ(abｓ（AA—Ｔ））)／2；
                Aｎ＝siｍ（netn,P）；
                AＡn=coｍｐｅｔ（Ａn);
                errorｓ2＝ｅｒrors2+sum（sum（abs（ＡＡn－T）)）/2；
           enｄ
nｅtｗork１=［ｎｅtｗork1 errors1/2６/1００］;
netｗoｒk2=[netｗork2 ｅrｒors2／26/100];
end
plot(nｏiｓe＿ranｇe,networｋ1＊１００，’－-＇，ｎoise_rａnge，ｎetwork2*１0０)；
plot(nｏｉｓe＿rａngｅ，network1＊100,＇—－'，noise＿range，ｎetwoｒk2＊10０，＇+＇);
ｔitｌe（'识别误差＇）；
xlabel（＇噪声指标’）；
ylaｂel(’不同的训练方式＇);
lｅgend（’无噪声训练＇，’有噪声训练＇）;
以上是对系统性能的分析。
这里的