计算智能与智能系统课程实验2：神经网络数值实验.doc

计算智能与智能系统课程实验实验题目： 神经网络数值实验 实验一、利用感知器进行分类输入代码：%画输入向量的图像P = -0.5 -0.5 +0.3 -0.1 -4; -0.5 +0.5 -0.5 +1.0 5;T = 1 1 0 0 1;plotpv(P,T); % plotpv函数利用感知器的输入向量和目标向量来画输入向量的图像 %建立神经网络net = newp(-40 1;-1 50,1);hold on %添加神经元的初始化值到分类图linehandle = plotpc(net.IW1,net.b1); % plotpc函数用来画分类线 %训练神经网络E = 1; % E为误差net.adaptParam.passes = 3; % 决定在训练过程中重复次数while (sse(E) % sse函数是用来判定误差E的函数net,Y,E = adapt(net,P,T); % 利用输入样本调节神经网netlinehandle = plotpc(net.IW1,net.b1,linehandle);% 画出调整以后的分类线drawnow; % 延迟一段时间end %模拟simp = 0.7; 1.2;a = sim(net,p);% 利用模拟函数sim计算出新输入p的神经网络的输出plotpv(p,a);circle = findobj(gca,type, line);set(circle,Color,red);hold on;plotpv(P,T);plotpc(net.IW1,net.b1);hold off;axis(-2 2 -2 2);输出：实验二、BP神经网络（1）输入代码：%画出非线性函数图像k = 1; p = -1:.05:1;t = sin(k*pi*p);plot(p,t,-)title(要逼近的非线性函数);xlabel(时间);ylabel(非线性函数); %未训练网络输出n = 10;net = newff(minmax(p), n,1, tansig purelin, trainlm);% 对于该初始网络，可以应用sim()函数观察网络输出y1 = sim(net,p);% 同时绘制网络输出曲线，并与原函数相比较figure;plot(p,t,-,p,y1,-)title(未训练网络的输出结果);xlabel(时间);ylabel(仿真输出 原函数 ); %进行网络训练net.trainParam.epochs = 50;net.trainParam.goal = 0.01;net = train(net,p,t); %进行网络测试y2 = sim(net,p);figure;plot(p,t,-,p,y1,-,p,y2,-.)title(训练后网络的输出结果);xlabel(时间);ylabel(仿真输出);输出：结果分析：从上图可知，没有经过训练的网络，其输出结果模拟效果比较差，经过训练的BP神经网络的模拟效果较好。（2） 改变非线性函数的K值输入代码：k = 5;p = -1:.05:1;t = sin(k*pi*p);plot(p,t,-)title(要逼近的非线性函数);xlabel(时间);ylabel(非线性函数); n = 10;net = newff(minmax(p), n,1, tansig purelin, trainlm);% 对于该初始网络，可以应用sim()函数观察网络输出y1 = sim(net,p);% 同时绘制网络输出曲线，并与原函数相比较figure;plot(p,t,-,p,y1,-)title(未训练网络的输出结果);xlabel(时间);ylabel(仿真输出 原函数 ); net.trainParam.epochs = 50;net.trainParam.goal = 0.01;net = train(net,p,t);y2 = sim(net,p);figure;plot(p,t,-,p,y1,-,p,y2,-.)title(训练后网络的输出结果);xlabel(时间);ylabel(仿真输出);输出：结果分析：k值只改变了非线性函数的频率，但不影响网络的训练效果。（3） 隐层神经元数目的影响k = 5;p = -1:.05:1;t = sin(k*pi*p);plot(p,t,-)title(要逼近的非线性函数);xlabel(时间);ylabel(非线性函数); n = 50;net = newff(minmax(p), n,1, tansig purelin, trainlm);% 对于该初始网络，可以应用sim()函数观察网络输出y1 = sim(net,p);% 同时绘制网络输出曲线，并与原函数相比较figure;plot(p,t,-,p,y1,-)title(未训练网络的输出结果);xlabel(时间);ylabel(仿真输出 原函数 ); net.trainParam.epochs = 50;net.trainParam.goal = 0.01;net = train(net,p,t);y2 = sim(net,p);figure;plot(p,t,-,p,y1,-,p,y2,-.)title(训练后网络的输出结果);xlabel(时间);ylabel(仿真输出);输出：结果分析：隐藏神经元个数越多，训练速度越快，拟合效果越好。思考题、BP神经网络%做出非线性图x=-1:0.01:1;y=-1:0.01:1;z=exp(x.2+y.2);plot3(x,y,z,-);title(要逼近的非线性函数z=e(x2*y2); grid on;%未训练输出n = 10;net = newff(x;y,z,n);% 对于该初始网络，可以应用sim()函数观察网络输出z1 = sim(net,x;y);% 同时绘制网络输出曲线，并与原函数相比较figure;plot3(x,y,z,-,x,y,z1,r-)title(未训练网络的输出结果);grid on;%训练网络net.trainParam.epochs=100; % 训练时间net.trainParam