神经网络在多传感器信息ppt课件

.,第4章神经网络在多传感器信息融合中的应用,汤晓君,.,神经网络的一般化结构,常用结构,.,神经网络的一般化结构,常用结构的信号传递,n1=IW1,1I1+IW1,2I2+b1n2=IW2,1I1+IW2,2I2+b2n3=IW3,1I1+IW3,2I2+b3n4=IW4,1I1+IW4,2I2+b4,m1=f(n1)m2=f(n2)m3=f(n3)m4=f(n4),O1=LW1,1m1+LW1,2m2+LW1,3m3+LW1,4m4+d1O2=LW2,1m1+LW2,2m2+LW2,3m3+LW2,4m4+d2O3=LW3,1m1+LW3,2m2+LW3,3m3+LW2,4m4+d3,.,神经网络的一般化结构,IW,LW,.,神经网络的一般化结构参数,NeuralNetworkobject:architecture:numInputs:1numLayers:1biasConnect:1inputConnect:1layerConnect:0outputConnect:1targetConnect:1numOutputs:1(read-only)numTargets:1(read-only)numInputDelays:0(read-only)numLayerDelays:0(read-only),Subobjectstructures:inputs:1x1cellofinputslayers:1x1celloflayersoutputs:1x1cellcontaining1outputtargets:1x1cellcontaining1targetbiases:1x1cellcontaining1biasinputWeights:1x1cellcontaining1inputweightlayerWeights:1x1cellcontainingnolayerweights,net=newp(01;-22,1),.,神经网络的一般化结构参数,functions:adaptFcn:adaptwbinitFcn:initlayperformFcn:maetrainFcn:trainwbparameters:adaptParam:.passesinitParam:(none)performParam:(none)trainParam:.epochs,.goal,.max_fail,.show,.time,weightandbiasvalues:IW:1x1cellcontaining1inputweightmatrixLW:1x1cellcontainingnolayerweightmatricesb:1x1cellcontaining1biasvectorother:userdata:(userstuff),.,神经网络的一般化结构参数,architecture:numInputs:1numLayers:1biasConnect:1inputConnect:1layerConnect:0outputConnect:1targetConnect:1numOutputs:1(read-only)numTargets:1(read-only)numInputDelays:0(read-only)numLayerDelays:0(read-only),这个属性定义了网络所接收的输入的数量，它可以设为0或一个正整数。注意，网络所接收的输入的数量同网络的输入尺寸（net.inputsi.size）并非同一概念。网络的输入数量指的是网络接收的输入有多少个向量，网络的输入尺寸指的是向量的长度。这一属性的改变将导致网络输入与隐层的连接矩阵（net.inputsConnects）以及输入子对象阵列尺寸的大小的改变(net.inputs)。,.,神经网络的一般化结构参数,architecture:numInputs:1numberLayers:1biasConnect:1inputConnect:1layerConnect:0outputConnect:1targetConnect:1numOutputs:1(read-only)numTargets:1(read-only)numInputDelays:0(read-only)numLayerDelays:0(read-only),这一属性定义了网络所包含的网络层的数量。它可以是0或正整数。这一属性的改变将导致下列任一层与层之间的连接的布尔矩阵的尺寸的改变。net.biasConnect:net.inputConnect:net.layerConnect:net.outputConnect:net.targetConnect:也将改变每个子对象结构阵列的大小的。net.inputWeights:net.layersWeights:net.outputs:net.targets:net.biases:还将改变网络中每个可调整参数属性的大小。net.IWnet.LWnet.b,.,神经网络的一般化结构参数,architecture:numInputs:1numberLayers:1biasConnect:1inputConnect:1layerConnect:0outputConnect:1targetConnect:1numOutputs:1(read-only)numTargets:1(read-only)numInputDelays:0(read-only)numLayerDelays:0(read-only),这一属性确定含有偏置的网络层。它可以是一个Nl1的布尔值矩阵，其中Nl为网络层的数量（net.numLayers）。第i层偏置值的存在与否在net.biasConnect（i）中表示为1或0。这一属性的改变将改变偏置(net.bias)阵列或偏置向量（net.b）阵列中结构的存在与否。,.,神经网络的一般化结构参数,architecture:numInputs:1numberLayers:1biasConnect:1inputConnect:1layerConnect:0outputConnect:1targetConnect:1numOutputs:1(read-only)numTargets:1(read-only)numInputDelays:0(read-only)numLayerDelays:0(read-only),这一属性定义哪一层与输入有权值连接。它可以设置为NlNl的布尔矩阵，其中Nl为网络的层数。从第j层到第i层的连接权值存在与否在net.inputConnect（i,j）用1或0表示。这一属性的改变将改变输入权值子对象（net.inputWeights）阵列结构的存在与否，以及输入权值（net.IW）矩阵的阵列中矩阵的存在与否。示例：net.inputConnect=10;11;00表示一个二输入三层神经网络中，第一个输入同第一层、第二层有连接，同第三层没有连接，第二个输入同第二层有连接，同第一层、第二层没有连接。,.,神经网络的一般化结构参数,architecture:numInputs:1numberLayers:1biasConnect:1inputConnect:1layerConnect:0outputConnect:1targetConnect:1numOutputs:1(read-only)numTargets:1(read-only)numInputDelays:0(read-only)numLayerDelays:0(read-only),这一属性定义从某一层出发到另一层的权值连接。它可以设置为NlNl布尔矩阵，其中Nl为网络层数（net.numLayers）。从第j层到第i层的连接权值的存在与否在net.layerConnect（i,j）用1或0表示。这一属性的任何变化将改变层连接权值子对象（net.layerWeights）阵列结构的存在与否，以及层连接权值矩阵（net.LW）阵列中矩阵的存在与否。示例：net.layerConnect=000;000;111表示一个三层神经网络中，存在从第一层到第三层、第二层到第三层、第三层到第三层的连接。,.,神经网络的一般化结构参数,architecture:numInputs:1numberLayers:1biasConnect:1inputConnect:1layerConnect:0outputConnect:1targetConnect:1numOutputs:1(read-only)numTargets:1(read-only)numInputDelays:0(read-only)numLayerDelays:0(read-only),这一属性定义了哪一层产生输出。它可以设为1Nl布尔矩阵，这里Nl为网络层数（net.numLayers）。第i层输出的存在与否在net.outputConnect(i)中用1或0表示。这一属性的改变将改变网络的输出数量（net.numOutputs），以及网络输出子对象（net.outputs）阵列中结构的存在与否。示例：net.outputConnect=011表示第二层、第三层同网络的输出相连。,.,神经网络的一般化结构参数,architecture:numInputs:1numberLayers:1biasConnect:1inputConnect:1layerConnect:0outputConnect:1targetConnect:1numOutputs:1(read-only)numTargets:1(read-only)numInputDelays:0(read-only)numLayerDelays:0(read-only),这一属性定义哪一层具有相关期望输出。它可以设置为1Nl布尔矩阵，其中Nl为网络的层数（net.numLayers）。与第i层的相关输出是否存在在net.targetConnect(i)中用1或0表示。这一属性的改变将改变网络的期望输出数（net.numTargets），以及期望输出子对象（net.targets）阵列中结构的存在与否。示例：net.targetConnect=001表示第三层的输出同一个期望输出相连。在进行网络性能测试或网络训练时候，网络的第三层输出同与其相连的期望输出作比较，所得到的误差即反映出网络的性能，而在进行网络训练时，该误差则可作为修正网络权值和偏置值的依据。,.,神经网络的一般化结构参数,architecture:numInputs:1numberLayers:1biasConnect:1inputConnect:1layerConnect:0outputConnect:1targetConnect:1numOutputs:1(read-only)numTargets:1(read-only)numInputDelays:0(read-only)numLayerDelays:0(read-only),这一属性表示网络具有多少个输出，它是一个只读属性，其输出数值是网络输出连接矩阵中1的个数。numOutputs=sum（net.outputConnect）于是，由前面的设置net.outputConnect=011可得numOutputs=2。,.,神经网络的一般化结构参数,architecture:numInputs:1numberLayers:1biasConnect:1inputConnect:1layerConnect:0outputConnect:1targetConnect:1numOutputs:1(read-only)numTargets:1(read-only)numInputDelays:0(read-only)numLayerDelays:0(read-only),这一属性表示了网络有多少个期望输出，它也是一个只读属性，其输出值为网络对象连接矩阵中1的个数。numTargets=sum（net.targetConnect）于是，由前面的设置net.targetConnect=001可得numTargets=1。,.,神经网络的一般化结构参数,architecture:numInputs:1numberLayers:1biasConnect:1inputConnect:1layerConnect:0outputConnect:1targetConnect:1numOutputs:1(read-only)numTargets:1(read-only)numInputDelays:0(read-only)numLayerDelays:0(read-only),这一属性表示用来激励网络的过去输入已经经过的步数。它实际上是网络输入权值的最大相关延迟值。,.,神经网络的一般化结构参数,architecture:numInputs:1numberLayers:1biasConnect:1inputConnect:1layerConnect:0outputConnect:1targetConnect:1numOutputs:1(read-only)numTargets:1(read-only)numInputDelays:0(read-only)numLayerDelays:0(read-only),这一属性定义了用来激励网络的上一层的输出延迟的步数。它实际上是任意一个网络层间权值的最大相关延迟值。,.,神经网络的一般化结构参数,Subobjectstructures:inputs:1x1cellofinputslayers:1x1celloflayersoutputs:1x1cellcontaining1outputtargets:1x1cellcontaining1targetbiases:1x1cellcontaining1biasinputWeights:1x1cellcontaining1inputweightlayerWeights:1x1cellcontainingnolayerweights,这个属性包含了每个网络输入的属性结构。它总是Nl1的输入结构阵列，其中Nl是网络的输入数量（net.numInputs）。定义第i个网络输入属性的结构由net.inputsi确定。Input的属性详见子对象属性中输入属性描述部分的“Input”。,.,神经网络的一般化结构参数,Subobjectstructures:inputs:1x1cellofinputslayers:1x1celloflayersoutputs:1x1cellcontaining1outputtargets:1x1cellcontaining1targetbiases:1x1cellcontaining1biasinputWeights:1x1cellcontaining1inputweightlayerWeights:1x1cellcontainingnolayerweights,这个属性定义每个网络层的属性结构。它总是Nl1的输入结构阵列，其中Nl为网络层数（net.numLayers）。这个结构由net.layersi定义第i层的属性。layers的属性详见子对象属性中网络层属性描述部分的“Layers”。,.,神经网络的一般化结构参数,Subobjectstructures:inputs:1x1cellofinputslayers:1x1celloflayersoutputs:1x1cellcontaining1outputtargets:1x1cellcontaining1targetbiases:1x1cellcontaining1biasinputWeights:1x1cellcontaining1inputweightlayerWeights:1x1cellcontainingnolayerweights,这一属性定义网络的每个输出的属性结构。它总是Nl1的阵列，这里Nl为网络的层数（net.numLayers）。如果相应的输出连接net.outputConnectsi=1，这个结构由net.outputsi定义第i层输出的属性，否则，这个结构为一个空矩阵。Output的属性详见输出属性描述部分中子对象属性中的“Outputs”。,.,神经网络的一般化结构参数,Subobjectstructures:inputs:1x1cellofinputslayers:1x1celloflayersoutputs:1x1cellcontaining1outputtargets:1x1cellcontaining1targetbiases:1x1cellcontaining1biasinputWeights:1x1cellcontaining1inputweightlayerWeights:1x1cellcontainingnolayerweights,这一属性定义了网络每个期望输出的属性结构。它总是Nl1的阵列，这里Nl为网络的层数（net.numLayers）。如果相应的目标连接net.targetConnectsi=1，这个结构由net.targetsi定义第i层相关的期望输出属性，否则，这个矩阵为空矩阵。target的属性详见目标描述部分子对象属性中的“Targets”。,.,神经网络的一般化结构参数,Subobjectstructures:inputs:1x1cellofinputslayers:1x1celloflayersoutputs:1x1cellcontaining1outputtargets:1x1cellcontaining1targetbiases:1x1cellcontaining1biasinputWeights:1x1cellcontaining1inputweightlayerWeights:1x1cellcontainingnolayerweights,这个属性定义网络的每个偏置的属性结构。它是Nl1阵列，其中Nl为网络层数（net.numLayers）。如果相应的偏置连接net.bieasConnectsi=1，这个结构由net.biasesi定义第i层相关的偏置属性，否则，这个结构为空矩阵。bias的属性详见偏置属性描述部分子对象属性中的“Biases”。,.,神经网络的一般化结构参数,Subobjectstructures:inputs:1x1cellofinputslayers:1x1celloflayersoutputs:1x1cellcontaining1outputtargets:1x1cellcontaining1targetbiases:1x1cellcontaining1biasinputWeights:1x1cellcontaining1inputweightlayerWeights:1x1cellcontainingnolayerweights,这个属性定义网络的每个输入权值的属性结构。它是NlNi阵列，其中Nl为网络的层数（net.numLayers），Ni为网络输入向量的个数（net.numInputs）。如果相应的输入连接net.inputConnects（i,j）=1，这个结构由net.inputWeighti,j定义从第j个输入到第i层的权值属性，否则，这个结构为一个空矩阵。inputWeight的属性详见输入权值描述部分子对象属性中的“InputWeight”。,.,神经网络的一般化结构参数,Subobjectstructures:inputs:1x1cellofinputslayers:1x1celloflayersoutputs:1x1cellcontaining1outputtargets:1x1cellcontaining1targetbiases:1x1cellcontaining1biasinputWeights:1x1cellcontaining1inputweightlayerWeights:1x1cellcontainingnolayerweights,这个属性定义网络各层之间的连接权值的属性结构。它是一个NlNl的阵列，其中Nl为网络的层数（net.numLayers）。如果相应的层连接net.layerConnect（i,j）=1，这个结构由net.layerWeightsi,j定义从第j层到第i层的权值属性，否则，该结构为空矩阵。LayerWeight的属性详见层权值属性描述中子对象属性中的“LayerWeights”。,.,神经网络的一般化结构参数,functions:adaptFcn:adaptwbinitFcn:initlayperformFcn:maetrainFcn:trainwb,这个属性定义了网络进行单步调节时所用的函数，它可以设置为任何一个单步调节函数的函数名，包括工具箱中的函数adaptwb。单步调节函数用来在单步调节函数adapt被调用时执行单步调节。不论这个属性什么时候改变，网络的单步调节参数(net.adaptParam)的设置都包含这个参数和新函数的默认值。adaptFcn可以是自己定义的函数，其定义格式为：net,Ac,El=youraf(net,Pd,Tl,Ai,Q,TS)其中youraf为adaptFcn函数名，TS为时间步数；Q为并行向量数；Pd为一个NlNiTS的延迟输入阵列，阵列中的每一个单位Pdi,j,ts是表示从第j个输入到第i层在ts步的连接权值的延迟输入矩阵。如果第j个输入到第i层的连接权值不存在，则Pdi,j,ts为一个空矩阵。Tl是一个NlT的层期望输出阵列，每个Tli,ts是一个第i层SiQ期望输出矩阵。如果第i层不存在期望输出矩阵，则Tli,ts是一个空矩阵。Ai是一个NlLD的初始的层延迟状态阵列，Ail,k是ts=k-LD步SiQ延迟的第i层输出，其中ts0，LD-1。,.,神经网络的一般化结构参数,functions:adaptFcn:adaptwbinitFcn:initlayperformFcn:maetrainFcn:trainwb,上述Nl为网络层数(net.numLayers)，Ni为网络输入个数(net.numInputs)，Rj是第j个输入的长度(net.inputsj.size)，Si为第i层的神经元个数(net.layersi.size)，LD层延迟长度（net.numLayerDelays），从第j个输入连接到第i层相应的权值连接的延迟长度(length(net.inputWeightsi,j.delays)。自定义adapt函数必须能通过调用命令info=youraf(code)获得其自身的信息，把恰当的信息返回给下列字符串。version返回神经网络工具箱版本（3.0）pdefaults返回一个默认的adapt参数结构当用户把网络的单步训练函数设置为自己定义的函数时，网络单步训练函数参数将自动设置默认结构。我们自己定义的函数可以用我们认为合适的方式刷新网络的权值和偏置值。然而，我们必须注意不要改变其它属性或者把权值矩阵和偏置值向量设置成错误的维数/长度。由于性能的原因，adapt在调用自定义adapt函数时关闭了正常的网络属性测试，因此，当我们把权值维数设置错误，网络不会立即产生错误，但当我们进行网络仿真或训练时，就会出问题。,.,神经网络的一般化结构参数,functions:adaptFcn:adaptwbinitFcn:initlayperformFcn:maetrainFcn:trainwb,这个属性定义了用来初始化网络权值矩阵和偏置向量的函数，它可以设置任何一个网络的初始化函数的函数名，包括工具箱中的函数。initlay函数在init函数被调用时用来根据网络各层的初始化函数对网络进行初始化。除了工具箱中的初始化函数外，有时为了加快网络收敛速度，需要自己定义一个初始化函数，以给网络合适的初始权值和初始偏置值。自定义初始化函数的格式为net=yournif(net)其中yournif为自定义的初始化函数名，它对一个网络实体操作，再返回一个网络实体。需要注意的是，在定义自定义初始化函数时不要改变权值矩阵维数和偏置向量的长度，也不要改变网络实体的其它属性。在定义好自定义初始化函数后，可以通过方式net.initFcn=yournif;来调用。,.,神经网络的一般化结构参数,functions:adaptFcn:adaptwbinitFcn:initlayperformFcn:maetrainFcn:trainwb,这个属性定义了用来测试网络性能的函数，它可以设置为包括工具箱中的性能函数在内的任意一个性能函数的函数名。所设置的性能函数在train函数调用时被调用，以计算网络的性能。,.,神经网络的一般化结构参数,functions:adaptFcn:adaptwbinitFcn:initlayperformFcn:maetrainFcn:trainwb,性能函数的自定义格式为perf=yourpf(E,X,PP)其中E是一个网络层误差的SQ的矩阵或NlTS阵列，Ei,ts表示第i层的SiQ期望输出矩阵，如果第i层没有期望输出，则Ei,ts是一个空矩阵。X是一个所有网络权值和偏置的M1向量。PP是一个网络性能参数的结构体。如果E是一个阵列，可以通过命令E=cell2mat（E）将其转换成矩阵。性能函数的另外一种格式是perf=yourpf(E,net)这时，可以通过下述方式得到X和PPX=getx(net);PP=net.performParam;,.,神经网络的一般化结构参数,functions:adaptFcn:adaptwbinitFcn:initlayperformFcn:maetrainFcn:trainwb,自定义性能函数必须能通过下述调用格式提供其自身的信息info=yourpf(code)其信息返回给下列字符串version返回神经网络工具箱版本（3.0）deriv返回关联的派生函数名pdefaults返回默认的性能函数结构体当网络的性能函数被设为自定义性能函数（net.perfornFcn）时，网络的性能参数（net.perfornParam）将自动赋给默认的结构体。,.,神经网络的一般化结构参数,functions:adaptFcn:adaptwbinitFcn:initlayperformFcn:maetrainFcn:trainwb,这个属性用来定义训练网络的函数。它可以设置为包括如表2工具箱中训练函数在内的任意一个训练函数。表2神经网络训练函数,.,神经网络的一般化结构参数,functions:adaptFcn:adaptwbinitFcn:initlayperformFcn:maetrainFcn:trainwb,.,神经网络的一般化结构参数,functions:adaptFcn:adaptwbinitFcn:initlayperformFcn:maetrainFcn:trainwb,训练函数在函数train被调用时使用。同adapt函数一样，网络的训练函数也可以有自己的自定义函数，其定义格式为net,tr=yourtf(net,Pd,Tl,Ai,Q,TS,VV,TV)其中yourtf为trainFcn函数名，Pd,Tl,Ai,Q,TS的说明同adapt函数中的参数说明相同。VV和TV为可选结构体，分别按照上述定义的Pd,Tl,Ai,Q和TS相同的格式定义确认向量和测试向量。,.,神经网络的一般化结构参数,parameters:adaptParam:.passesinitParam:(none)performParam:(none)trainParam:.epochs,.goal,.max_fail,.show,.time,adaptParam属性定义当前单步调节函数的参数和函数值，其属性域决定于当前的单步调节函数（net.adapFcn）。单步训练参数的估算详见当前单步调节函数部分。initParam属性定义了当前初始化函数的参数和函数值。属性域依赖于当前初始化函数（net.initFcn）。初始化参数的估算详见当前初始化函数。,.,神经网络的一般化结构参数,parameters:adaptParam:.passesinitParam:(none)performParam:(none)trainParam:.epochs,.goal,.max_fail,.show,.time,performParam属性定义当前性能函数的参数和函数值。属性域依赖于当前性能函数（net.performFcn）。trainParam属性定义当前训练函数的参数和函数值。属性域依赖于当前训练函数（net.trainFcn）。训练函数的估算详见当前训练函数。,.,神经网络的一般化结构参数,weightandbiasvalues:IW:1x1cellcontaining1inputweightmatrixLW:1x1cellcontainingnolayerweightmatricesb:1x1cellcontaining1biasvector,本属性定义了从输入到网络各层的输入权值矩阵。它是NlNi的矩阵，其中Nl为网络的层数(net.numLayers)，Ni为网络的第i个输入(net.numInputs)。如果相应的输入连接net.inputConnect(i,j)=1，则从第j个输入到第i层的权值矩阵由net.IWi,j定义，否则为空矩阵。,.,神经网络的一般化结构参数,weightandbiasvalues:IW:1x1cellcontaining1inputweightmatrixLW:1x1cellcontainingnolayerweightmatricesb:1x1cellcontaining1biasvector,本属性定义从网络的某一层到另一层的连接权值矩阵。它是NlNl的矩阵，其中Nl为网络的层数（net.numLayers）。如果相应的层连接net.layerConnect(i,j)=1，则从第j层到第i层的连接权值由net.LWi,j定义。,.,神经网络的一般化结构参数,weightandbiasvalues:IW:1x1cellcontaining1inputweightmatrixLW:1x1cellcontainingnolayerweightmatricesb:1x1cellcontaining1biasvector,本属性定义了有偏置的各层的偏置向量。它是Nl1的阵列，其中Nl为网络的层数(net.numLayers)。如果相应的偏置连接net.biadConnecti=1，则第i层的偏置向量由net.bi确定，否则为空矩阵。,.,神经网络的一般化结构参数,子对象属性(subobject)：子对象属性定义了网络的输入、层、输出、目标、偏置和权值等的一些细节。1、inputs：本属性由net.inputsi定义了第i个网络输入的细节；（1）、range：本属性由net.inputsi.range定义了第i个网络输入的值域。它可以设置为任意的Ri2的矩阵，其中Ri为输入中元素的个数(net.inputsi.size)，第一列中的元素小于其第二列相应的元素。第j行定义了第个输入节点的最大最小值。,.,神经网络的一般化结构参数,（2）、Uses：一些初始化函数根据输入范围为输入权值寻找合适的初始值。本属性的行数的改变，将导致网络各层的大小改变，以维持其统一性。从该输入引出输入权值(net.inputWeights:,i.size)大小及其权值矩阵（net.IW:,i）维数。（3）、size：本属性定义了第i个网络输入的元素的数量，它可以是0或正整数。当本属性改变时，输入范围(net.inputsi.ranges)，输入权值（net.inputWeights:,i.size）的大小及权值矩阵(net.IW:,i)的大小都将改变，以维持网络的统一性。,.,神经网络的一般化结构参数,2、Layers：本属性定义了网络第i层(net.layersi)的属性。（1）、dimensions：本属性定义第i层神经元的物理维数。对于自组织网络来说，可以把某一层的神经元设为多维方式很重要，它可以设为任意行的0向量或正整数向量。其中所有元素的和就是该层的神经元数量(net.layersi.size)。层的维数用来由层的拓朴函数（net.layersi.topologyFcn）计算神经元在层中的位置。本属性的改变，将导致该层的神经元数量的改变，该层中神经元的位置和神经元之间的距离也将改变。,.,神经网络的一般化结构参数,（2）、distanceFcn：本属性定义了用来计算网络第i层神经元之间的位置（net.layersi.positions）距离的函数。神经元距离一般为自组织神经网络所用，它可以设为如表3所示的距离函数：表3神经网络距离函数,.,神经网络的一般化结构参数,（3）、diatances（read-only）：本属性定义第i层中神经元之间的距离，它是一个只读属性。神经元之间的距离一般只为自组织网络使用。它将网络各层的神经元距离函数（net.layersi.distanceFcn）应用于层神经元（net.layersi.positions）的位置计算。（4）、initFcn：本属性定义用来初始化第i层的初始化函数，它可以设置为包括如表4所示的工具箱初始化函数在内的层初始化函数名称.,.,神经网络的一般化结构参数,（5）、netinputFcn：本属性定义用来计算第i层网络输入的输入函数，它可以设置为包括如表7-5所示的工具箱输入函数在内的输入函数名称。表5神经网络输入函数在sim函数被调用时，网络输入函数用来对网络进行仿真。,.,神经网络的一般化结构参数,（6）、positions（read-only）：本属性定义第i层神经元的位置。网络层的positions属性一般只为自组织网络所用，它一般设置为层拓朴结构函数（net.layersi.topologyFcn）应用于层维数（net.layersi.dimensions）定位的结果，可以用plotsom函数画出某一层神经元的位置。例如，网络的第一层神经元维数（net.layers1.dimensions）设置为4，5，网络的拓扑函数（net.layers1.topologyFcn）设置为hextop，执行命令plotsom（net.layers1.positions）神经元的位置如图所示。,.,神经网络的一般化结构参数,（7）、size：本属性定义网络第i层的神经元数量。它可设为0或正整数。一旦本属性改变，连接到这一层的输入权值数量(net.inputWeighti,:.size)以及任意连接到本层的层间连接权值数量(net.layerWeightsi,:.size)，从本层出发连接到别的层的权值数量(net.inputWeighti,:.size)，本层的偏置值（net.biasesi.size）都将改变。相应权值矩阵（net.IWi,:,net.LWi,:,net.LW:,i维数和偏置值(net.bi)也将改变。（8）、topologyFcn：本属性定义用来根据层的维数（net.layersi.dimensions）计算第i层神经元位置（net.layersi.positions）。它可以设置为如表6中的工具箱函数中的任意一个拓扑函数名。,.,神经网络的一般化结构参数,本属性的改变将导致网络神经元（net.layersi.positions）的位置的刷新。例如，如果一个网络的第一层神经元的维数是810，其拓扑函数（net.layers1.dimensions）是randtop，那么执行命令plotsom(net.layers1.positions)，得到神经元的位置如图13：,.,神经网络的一般化结构参数,（9）、transferFcn：本函数用来根据给定第i层输入计算该层输出的传递函数。它可以设置为如表7-7中工具箱传递函数中的任意一个传递函数。,.,神经网络的一般化结构参数,3、Outputs：size（read-only）：本属性定义第i层输出元素的个数，通常定义为：net.layersi.size。4、Targets：size（read-only）本属性定义第i层目标元素个数，通常设为：net.layersi.size。,.,神经网络的一般化结构参数,5、Biases：（1）initFcn：如果网络的初始化函数是initlay，第i层初始化函数是initwb，本属性定义用来初始化第i层偏置向量。偏置值初始化函数可以设置为如表8中任意一个初始化函数名。表8神经网络偏置值初始化函数如果网络的初始化函数（net.initFcn）是initlay，第i层初始化函数（net.layersi.initFcn）是（2）initwb，本函数用来计算第i层的初始偏置向量（net.bi）。,.,神经网络的一般化结构参数,（3）learn：本属性定义在进行网络训练或单步训练时，第i层偏置向量是否改变。它可以设为0或1。（4）learnFcn：如果网络的训练函数是trainwb或trainwb1，或者在进行单步训练时，单步训练函数是adaptwb，本属性定义用来刷新第i层偏置向量的函数。它可以设置为如表9中工具箱函数中任意一个偏置学习函数的函数名。,.,神经网络的一般化结构参数,如果网络训练函数（net.trainFcn）是trainwb或trainwb1，或者在单步训练函数adapt被调用时，其单步训练函数（net.adaptFcn）是adaptwb，本函数在train/adapt数被调用时用来刷新第i层偏置向量（net.bi）。,.,神经网络的一般化结构参数,（5）learnParam：本属性定义了第i层偏置当前学习函数的学习参数及其数值。本属性的属性域取决于当前学习函数（net.biasesi.learnFcn）。（6）size（read-only）：本属性定义第i层偏置向量的大小，它一般设为第i层的大小。,.,神经网络的一般化结构参数,6、InputWeights：（1）delays：本属性定义第j个输入及其到第i层的权值之间的延迟net.inputWeightsi,j.delays。它必须赋给一个增量为0或正整数的行向量。本属性的改变将刷新权值大小及其权值矩阵维数。,.,神经网络的一般化结构参数,（2）initFcn：如果网络的初始化函数是initlay，第i层神经元的初始化函数是initwb，本属性定义用来初始化从第j个输入到第i层神经元的权值矩阵的函数。本函数可以设为表10中的初始化函数中的任意一个。表10输入权值初始化函数,如果网络的初始化函数（net.initFcn）是initlay，第i层初始化函数（net.layersi.initFcn）是initwb，在调用init函数时，本函数用来计算从第j个输入到第i层的权值矩阵（net.IWi，j）的初始矩阵。,.,神经网络的一般化结构参数,（3）learn：本属性定义在进行网络训练或单步训练时，从j个输入到第i层的权值矩阵是否改变，它可以设置为0或1，以决定在网络训练过程中权值是否要进行学习。,.,神经网络的一般化结构参数,（4）learnFcn：如果网络训练函数是trainwb或trainwb1，或者在网络进行单步训练时，网络的单步训练函数为adaptwb时，本属性定义从j个输入到第i层的权值矩阵的学习函数。它可以设为包括如表11中的工具箱函数在内的任意一个权值学习函数的函数名。,.,神经网络的一般化结构参数,（5）learnParam：本属性定义从第j个输入到第i层权值矩阵的当前学习函数的参数及其数值。本属性的属性域取决于当前的学习函数（net.inputWeightsi,j.learnFcn）。（6）size（read-only）：本属性定义第j个输入到第i层权值矩阵的维数，它总是设为两元素的行向量，表示相应的权值矩阵（net.layersi.size）的函数和列数。第一个元素为第i层神经元的个数（net.layersi.size），第二个元素为第j个输入的大小与权值延迟向量长度的乘积。,.,神经网络的一般化结构参数,（7）weightFcn：本属性定义用来从第j个输入到第i层的输入权值对输入的应用，它可以设为表12中的任意一个函数名。12神经网络输入权值对输入的应用函数,权值函数在sim函数被调用对网络进行仿真时使用。,.,神经网络的一般化结构参数,7、LayerWeight：（1）delays：本属性从第i层到第j层的权值的延迟，它必须设为递增的0或正整数行向量。（2）initFcn：如果网络初始化函数是initlay，第i层的初始化函数是initwb，本属性定义用来初始化从第i层到第j层的权值矩阵的初始化函数。它可以设置为包括如表13工具箱函数在内的任意一个函的函数名。,.,神经网络的一般化结构参数,表13神经网络层连接权值初始化函数,.,神经网络的一般化结构参数,（3）learn：本属性定义从第i层到第j层的权值矩阵在进行网络训练或单步训练时是否改变，它可以设置为0或1，以决定在网络训练过程中权值是否要进行学习。如果网络训练函数是trainwb或trainwb1，或者在网络进行单步训练时，网络的单步训练函数为adaptwb时，本属性定义从j个输入到第i层的权值矩阵的刷新函数。它可以设为包括如下工具箱函数在内的任意一个权值学习函数的函数名。（4）learnFcn：如果网络训练函数是trainwb或trainwb1，或者在网络进行单步训练时，网络的单步训练函数为adaptwb，本属性定义用来刷新从第i层到第j层的权值矩阵。,.,神经网络的一般化结构参