计算智能与智能系统课程实验2：神经网络数值实验

1、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

2、; % E 为误差 5 / 13 n et.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 n et,Y,E = adapt (n et,P,T); %利用输入样本调节神经网 net %画出调整以后的分类线 lin eha ndle = plotpc( net .1 W1, net.b1,li neha ndle); draw now;%延迟一段时间 end %模拟sim p = 0.7; 1.2; a = sim (n et,p); %利用模拟函数sim计算岀新输入p的神经网络的输岀 plotpv(p

3、,a); circle = fin dobj(gca,type ,li ne); set(circle, Color , red); hold on; plotpv(P,T); plotpc( net.IW1, net.b1); hold off ; axis(-2 2 -2 2); 输出: 迎JI近的IF fit性曲St FF *?040召 5 A MW 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 .1 - - 卡 输入代码： -1 -as -n.t -D44； a ;a.4 o.b d.b 1

4、Btffl k = 5; p = -1:.O5:1; t = sin( k*pj*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 = n ewff(mi nm ax(p), n ,1, ta nsigpureli n, trai nlm ); %对于该初始网络，可以应用sim()函数观察网络输岀 y1 = sim( net,p); %同时绘制网络输岀曲线，并与原函数相比较 figure; plot(p,t, -,p,y1,-) title(未训练网络的输岀结果)； xlabel(时间); yl

5、abel(仿真输岀 原函数 )； n et.tra in Param.epochs = 50; n et.trai nParam.goal = 0.01; net = trai n(n et,p,t); y2 = sim (n et,p); figure; plot(p,t, -,p,y1,-,p,y2. title( 训练后网络的输岀结果); xlabel( 时间); ylabel( 仿真输出)； 输出: A 八 A / 1 If i r I ；- f J 1 -；I 1 1 1 1 - 1 1 It i 1 1 1 1 1 1 I1 - 1 1 1 i 1 1 1 - 1 1 1 1 i

6、I 1 1 1 1 1 1 1 1 I 1 1 1丿 l 1 f 1 J V 1 y f 1 / * 1 3曲川 Firtrfitt 18 / 13 可in怖H堺七黑 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 =卜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 = n ewff(mi nm ax(p), n ,1, ta nsigpureli n,trai nlm); %对于该

7、初始网络，可以应用sim()函数观察网络输岀 y1 = sim( net,p); %同时绘制网络输岀曲线，并与原函数相比较 figure; plot(p,t, -,p,y1,-) title(未训练网络的输岀结果)； xlabel(时间); ylabel(仿真输岀 原函数 )； n et.tra in Param.epochs = 50; n et.trai nParam.goal = 0.01; net = train(n et,p,t); y2 = sim( net,p); figure; plot(p,t, -,p,y1,-,p,y2. title( 训练后网络的输岀结果); xlabe

8、l( 时间); ylabel( 仿真输出)； 输出: 羊 NnirS Ntfwadc T raining nrrFHintfidlj N?uol Nitwuri： Alg d q? 0 4aJi fi 训堆后网端awt州結啟 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 % 故出非线性图 x=-1:0.01:1; y=-1:0.01:1; z=exp(x.A2+y.A2); plot3(x,y,z, -)； z=eA(xA2*yA2) ); sim()函数观察网络输出 title(要逼近的非线性函数 grid on; %未训练输出 n = 10; net = n ewff(x;y,z ,n); %对于该初始网络，可以应用 z1 = sim (n et,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 n et.tra in Param.epochs=100; %训练时间 net.trai nParam.goal=0.0001; n et=trai n(n et,x;y,z); %训练后输出