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';
>> net.biases{1,1}.initFcn='rands'; >> net=init(net);
下面验证一下权值和阈值：
>> wts = net.IW{1,1}
wts =
0.8116 -0.7460
>> bias=net.b{1,1}
bias =
0.6294 例1.5
假设一个二维向量输入的感知器神经网络，其输入和期望值样本为：
?2??1???2???1?p1???,t1?0、p2???,t2?1、p3???,t3?0、p4???,t4?1
?2???2??2??1?首先，生成一个感知器网络，然后利用train函数进行训练 >> net = newp([-2 2;-2 2],1);
>> net.trainParam.epochs=1; %设置最大迭代次数 >> p=[2 1 -2 -1;2 -2 2 1]; %样本 >> t=[0 1 0 1]; %导师信号 >> net = train(net,p,t); >> w=net.IW{1,1}
w =
-3 -1
>> b=net.b{1,1} b =
0
对输入向量进行仿真验证 >> sim(net,p)
ans =
0 0 1 1 可见，网络仿真结果没有达到期望值，通过调整训练最大次数可以看其结果。 >> net.trainParam.epochs=20; >> net = train(net,p,t); >> sim(net,p)
ans =
0 1 0 1
因此训练是成功的，训练规则具有一定的收敛性，并且能够达到精度。 例1.6
设计一个二输入感知器神经网络，将五个输入向量分为两类。
P=[-0.5 -0.5 0.5 -0.1;-0.5 0.5 -0.5 1.0] T=[1 1 0 0]
首先，应用newp构造一个神经元感知器神经网络，然后利用plotpv画出输入向量图，与期望值1对应的输入向量用“+”表示，与期望值0对应的输入向量用“o”表示。
>> P=[-0.5 -0.5 0.5 -0.1;-0.5 0.5 -0.5 1.0]; >> T=[1 1 0 0];
>> net = newp([-1 1;-1 1],1); >> plotpv(P,T);
>> p=[0.7;1.2];
>>net=train(net,P,T); >> a=sim(net,p)
a = 0
>> plotpv(p,a); >> hold on >> plotpv(P,T);