神经网络 感知器的分类能力.doc_第1页
神经网络 感知器的分类能力.doc_第2页
神经网络 感知器的分类能力.doc_第3页
神经网络 感知器的分类能力.doc_第4页
全文预览已结束

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

作业一：感知器的分类能力一、 作业要求已知矩阵P=0.1 0.7 0.8 0.8 1.0 0.3 0.0 -0.3 -0.5 -1.5;1.2 1.8 1.6 0.6 0.8 0.5 0.2 0.8 -1.5 -1.3;T=1 1 1 0 0 1 1 1 0 0 ；0 0 0 0 0 1 1 1 1 1对以上输入、输出样本进行分类。要求画出最后的线形图。二、 分析题目要求首先画出题目给定的点。要求设计一个二输入感知神经网络，将十个输入向为四类。 图1 给定的点三、 构建初始网络应用newp()构造一个神经元感知器神经网络，其输入向量在-2 2之间。由于为2输入，故神经元数量为2。 四、 训练网络net=train(net,P,T); 设置最大训练次数为10。五、 实验结果5.1 本次运行的最优分类情况： 图2 分类线5.2 误差曲线 当学习函数为感知器学习函数learnp时，其误差曲线为图3；当学习函数为标准感知器学习函数learnpn时，其误差曲线为图4。 图3 学习函数learnp的误差曲线 图4 学习函数learnpn的误差曲线六、网络仿真 应用sim函数来进行网络仿真，实现对任何其他输入向量的模式划分。选取Q=-0.4;0.9,可知其非常靠近原样本的一组数据即-0.3 0.8，其目标输出应为为 1 1。现在观察网络仿真结果，发现其被划分到相应的分类中。七、结论与心得该感知器网络完成了一个简单的四类模式划分问题。通过此次实验，可得感知器具有根据已有数据自主学习规则的能力，这对于我们研究无固定函数表达式的输入输出有重要意义。此外，通过比较两个学习函数后，发现learnp的误差曲线更符合要求，所以选择学习函数选择learnp。做本题前一直在思考，10组数据如何分配，哪些做学习样本，哪些做测试样本。最后决定取原样本中相近的数据来检测网络的识别能力。八、附录: Matlab程序代码P=0.1 0.7 0.8 0.8 1.0 0.3 0.0 -0.3 -0.5 -1.5;1.2 1.8 1.6 0.6 0.8 0.5 0.2 0.8 -1.5 -1.3;T=1 1 1 0 0 1 1 1 0 0 ；0 0 0 0 0 1 1 1 1 1net=newp(-2 2;-2 2,2,hardlim,learnp);net.trainParam.epochs=10;net=train(net,P,T);Q=-0.4;0.9;Y=sim(net,Q);plotpv(P,T);plotpc(net.iw1,net.b
人人文库> 全部分类> 应用文书 > 技术指导

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论