神经网络工具箱简介.doc

第9页静态网络中的同步输入仿真net=newlin(-1 1;-1 1,1);w=1,2,b=0;net.IW1,1=1 2;net.b1=0;p=1 2 2 3;2 1 3 1;A=sim(net,p)成功动态网络中的异步输入仿真net=newlin(-1 1,1,0 1);net.biasConnect=0;W=1,2;net.IW1,1=1 2;P(1)=1,P(2)=2,P(3)=3,P(4)=4;P=1 2 3 4;A=sim(net,P)第十页动态网络中的同步输入仿真net=newlin(-1 1,1,0 1);net.biasConnect=0;W=1,2;net.IW1,1=1 2;P(1)=1,P(2)=2,P(3)=3,P(4)=4;P=1 2 3 4;A=sim(net,P)P=1 2 3 4;A=sim(net,P)成功同时模拟两组网络响应P=1 4 2 3 3 2 4 1;A=sim(net,P)不成功5训练方式批处理方式net=newlin(-1 1;-1 1,1,0,0); net.IW1,1=0 0; net.b1=0; P=1;2 2;1 2;3 3;1; T=4 5 7 7;net,a,e pf=adapt(net,P,T)成功静态网络中的增加方式：net=newlin(-1 1;-1 1,1,0,0); net.IW1,1=0 0; net.b1=0; P=1;2 2;1 2;3 3;1; T=4 5 7 7;net.inputWeights1,1.learnParam.lr=0.1; net.biases1,1.learnParam.lr=0.1; net,a,e,pf=adapt(net,P,T);第12页动态网络中的增加方式：net=newlin(-1 1,1,0 1,0.1);net.IW1,1=0 0;net.biasConnect=0;Pi=1;P=2 3 4;T=3 5 7;net,a,e,pf=adapt(net,P,T,Pi)半成功，数据不是完全对应第13页批处理方式静态网络中的批处理方式用adapt函数的批处理方式调整net=newlin(-1 1;-1 1,1,0,0.1);net.IW1,1=0 0; net.b1=0;P=1 2 2 3;2 1 3 1;T=4 5 7 7;net,a,e,pf=adapt(net,P,T) net.IW1,1 net.b1成功用train出发，用于批处理方式。net=newlin(-1 1;-1 1,1,0,0.1);net.IW1,1=0 0;net.b1=0;P=1 2 2 3;2 1 3 1;T=4 5 7 7;net.inputWeights1,1.learnParam.lr=0.1;net.biases1.learnParam.lr=0.1;net.trainParam.epochs=1;net=train(net,P,T);net.IW1,1net.b1动态网络中的增加方式net=newlin(-1 1,1,0 1,0.02); net.IW1,1=0 0; net.biasConnect=0; net.trainParam.epochs=1; Pi=1; P=2 3 4; T=3 5 6; net=train(net,P,T,Pi)；net.IW1,1第15页第三章 返乡传播网络（BP网络）tansig(deriv)成功网络构建和初始化net=newff(-1 2;0 5,3,1,tansig,purelin,traingd);net=init(net);net.layers1.initFcn=initwb;net.inputWeights1,1.initFcn=rands;net.biases1,1.initFcn=rands;net.biases2,1.initFcn=rands;net=init(net);不成功p=1;2;a=sim(net,p)不完全成功，数据不对p=1 3 2;2 4 1;a=sim(net,p)不完全成功增加模式训练法net.biases1,1.learnFcn=learngd; net.biases2,1.learnFcn=learngd; net.layerWeights2,1.learnFcn=learngd; net.inputWeights1,1.learnFcn=learngd; net.layerWeights2,1.learnParam.lr=0.2; net.adaptParam.passes=200; P=-1 -1 2 2;0 5 0 5; t=-1 -1 1 1; p=num2cell(p,1); t=num2cell(t,1); net,a,e=adapt(net,p,t);a=sim(net,p)很不成功带动力的梯度下降法net.biases1,1.learnFcn=learngdm; net.biases2,1.learnFcn=learngdm; net.layerW