神經(jīng)網(wǎng)絡(luò)例子參考模板

1、神經(jīng)網(wǎng)絡(luò)1. 單層感知器數(shù)據(jù)分類輸出為0和1解決線性可分的分類模型例1.從待分類的數(shù)據(jù)中取出一部分?jǐn)?shù)據(jù)及其對應(yīng)的類別作為樣本數(shù)據(jù),設(shè)計(jì)并訓(xùn)練一個(gè)能對分類數(shù)據(jù)進(jìn)行分類的單層感知器神經(jīng)網(wǎng)絡(luò)代碼:%給定訓(xùn)練樣本數(shù)據(jù)P=-.4 -.5 .6;.9 0 .1;%給定樣本數(shù)據(jù)所對應(yīng)的類別，用0和1來表示兩種類別T=1 1 0;%創(chuàng)建一個(gè)有兩個(gè)輸入、樣本數(shù)據(jù)的取值范圍都在-1 1之間,并且網(wǎng)絡(luò)只有一個(gè)神經(jīng)元的感知器神經(jīng)網(wǎng)絡(luò)net=newp(-1 1;-1 1,1);%設(shè)置網(wǎng)絡(luò)的最大訓(xùn)練次數(shù)為20次net.trainParam.epochs=20;%使用訓(xùn)練函數(shù)對創(chuàng)建的網(wǎng)絡(luò)進(jìn)行訓(xùn)練net=train(net,

2、P,T);%對訓(xùn)練后的網(wǎng)絡(luò)進(jìn)行仿真Y=sim(net,P)%計(jì)算網(wǎng)絡(luò)的平均絕對誤差，表示網(wǎng)絡(luò)錯(cuò)誤分類E1=mae(Y-T)%給定測試數(shù)據(jù)，檢測訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)的性能Q=0.6 0.9 -0.1;-0.1 -0.5 0.5;%使用測試數(shù)據(jù)，對網(wǎng)絡(luò)進(jìn)行仿真，仿真輸出即為分類的結(jié)果Y1=sim(net,Q)%創(chuàng)建一個(gè)新的繪圖窗口figure;1 / 9%在坐標(biāo)中繪制測試數(shù)據(jù)點(diǎn)，并根據(jù)數(shù)據(jù)所對應(yīng)的類別用約定的符號畫出plotpv(Q,Y1);%在坐標(biāo)中繪制分類線plotpc(net.iw1,net.b1)2. 線性神經(jīng)網(wǎng)絡(luò)模型線性神經(jīng)網(wǎng)絡(luò)類似感知器,但是線性神經(jīng)網(wǎng)絡(luò)的激活函數(shù)是線性的,而不是硬線轉(zhuǎn)移函

3、數(shù),因此,線性神經(jīng)網(wǎng)絡(luò)的輸出可以是任意值,而感知器的輸出不是0就是1,線性神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)和感知器一樣只能解決線性可分的問題.例2.要求設(shè)計(jì)一個(gè)線性神經(jīng)網(wǎng)絡(luò),尋找給定數(shù)據(jù)之間的線性關(guān)系代碼:P=1.1 -1.3;T=0.6 1;%創(chuàng)建一個(gè)只有一個(gè)輸出，輸入延遲為0，學(xué)習(xí)速率為0.01的線性神經(jīng)網(wǎng)絡(luò)，minmax(P)表示樣本數(shù)據(jù)的取值范圍 net=newlin(minmax(P),1,0,0.01);%對創(chuàng)建的神經(jīng)網(wǎng)絡(luò)進(jìn)行初始化，設(shè)置權(quán)值和閾值的初始值net=init(net);net.trainParam.epochs=500;%設(shè)置網(wǎng)絡(luò)訓(xùn)練后的目標(biāo)誤差為0.0001net.trainParam

4、.goal=0.0001;net=train(net,P,T);y=sim(net,P)%求解網(wǎng)絡(luò)的均方誤差值E=mse(y-T)3. BP神經(jīng)網(wǎng)絡(luò)預(yù)測能逼近任意非線性函數(shù)例3.表2-4為某藥品的銷售情況，現(xiàn)構(gòu)建一個(gè)如下的BP神經(jīng)網(wǎng)絡(luò)對藥品的銷售進(jìn)行預(yù)測：輸入層為三個(gè)結(jié)點(diǎn)，隱含層結(jié)點(diǎn)數(shù)為5，隱含層的激活函數(shù)為tansig（雙曲正切S型傳遞函數(shù)）；輸出層結(jié)點(diǎn)數(shù)為1，輸出層的激活函數(shù)為logsig（S型的對數(shù)函數(shù)），并利用此網(wǎng)絡(luò)對藥品的銷售量進(jìn)行預(yù)測，預(yù)測的方法采用滾動(dòng)預(yù)測方式，即用前三個(gè)月的銷售量來預(yù)測第四個(gè)月的銷售量，如用1、2、3月的銷售量為輸入預(yù)測第4個(gè)月的銷售量，用2、3、4月的銷售量為

5、輸入預(yù)測第5個(gè)月的銷售量。如此反復(fù)直至滿足預(yù)測精度要求為止。月份123456銷量205623952600229816341600月份789101112銷量187314781900150020461556212 241  263 241  263 236 ;263 236 161  ; 236 161 168 161 168  187 168  187  148  187  148 193;148 193 157 205  156; 代碼：%以每三個(gè)月的銷售量經(jīng)歸一化

6、處理后作為輸入P=0.5152 0.8173 1.000;0.8173 1.000 0.7308;1.000 0.7308 0.1390;0.7308 0.1390 0.1087;0.1390 0.1087 0.3520;0.1087 0.3520 0.000;%以第四個(gè)月的銷售量歸一化處理后作為目標(biāo)向量T=0.7308 0.1390 0.1087 0.3520 0.000 0.3761;%創(chuàng)建一個(gè)BP神經(jīng)網(wǎng)絡(luò)，每一個(gè)輸入向量的取值范圍為0,1，隱含層為5個(gè)神經(jīng)元，輸出層有一個(gè)神經(jīng)元，隱含層的激活函數(shù)為tansig，輸出層的激活函數(shù)為logsig，訓(xùn)練函數(shù)為梯度下降函數(shù)net=newff(0

7、1; 0 1; 0 1,5 1,tansig,logsig,traingd);net.trainParam.epochs=15000;net.trainParam.goal=0.01;%設(shè)置學(xué)習(xí)速率為0.1LP.lr=0.1;net=train(net,P,T)4. RBF神經(jīng)網(wǎng)絡(luò)屬于前向神經(jīng)網(wǎng)絡(luò),能夠以任意精度逼近任意連續(xù)函數(shù),特別適合于解決分類問題例4.建立一個(gè)徑向基神經(jīng)網(wǎng)絡(luò)，對非線性函數(shù)y=sqrt(x)進(jìn)行逼近，并作出網(wǎng)絡(luò)的逼近誤差曲線代碼：%輸入從0開始變化到5，每次變化幅度為0.1x=0:0.1:5;y=sqrt(x);%建立一個(gè)目標(biāo)誤差為0，徑向基函數(shù)的分布密度為0.5，隱含層神

8、經(jīng)元個(gè)數(shù)的最大值為20，每增加5個(gè)神經(jīng)元顯示一次結(jié)果net=newrb(x,y,0,0.5,20,5);t=sim(net,x);%在以輸入x和函數(shù)值與網(wǎng)絡(luò)輸出之間的差值y-t坐標(biāo)上繪出誤差曲線，并用“*”來標(biāo)記函數(shù)值與輸出值之間的差值plot(x,y-t,*-)5. 自組織競爭神經(jīng)網(wǎng)絡(luò)屬于前向神經(jīng)網(wǎng)絡(luò),特別適合于解決模式分類和識(shí)別方面的問題例5.人口分類是人口統(tǒng)計(jì)中的重要指標(biāo),現(xiàn)有1999年共10個(gè)地區(qū)的人口出生比例情況如下:出生男性百分比分別為:0.5512 0.5123 0.5087 0.5001 0.6012 0.5298 0.5000 0.4965 0.5103 0.5003;出生女

9、性百分比分別為:0.4488 0.4877 0.4913 0.4999 0.3988 0.4702 0.5000 0.5035 0.4897 0.4997;建立一個(gè)自組織神經(jīng)網(wǎng)絡(luò)對上述數(shù)據(jù)分類,給定某個(gè)地區(qū)的男女出生比例分別為:0.5,0.5,測試訓(xùn)練以后的自組織神經(jīng)網(wǎng)絡(luò)的性能,判斷其屬于哪個(gè)類別.代碼:P=0.5512 0.5123 0.5087 0.5001 0.6012 0.5298 0.5000 0.4965 0.5103 0.5003; 0.4488 0.4877 0.4913 0.4999 0.3988 0.4702 0.5000 0.5035 0.4897 0.4997;%創(chuàng)建一

10、個(gè)自組織神經(jīng)網(wǎng)絡(luò)，0 1；0 1表示輸入數(shù)據(jù)的取值范圍在0 1之間,3 4表示競爭層組織結(jié)構(gòu)為3×4,其余參數(shù)取默認(rèn)值net=newsom(0 1;0 1, 3 4);net.trainParam.epochs=500;net=init(net);net=train(net,P);y=sim(net,P);%獲取訓(xùn)練后的自組織神經(jīng)網(wǎng)絡(luò)的權(quán)值w1=net.IW1,1;%繪出訓(xùn)練后自組織神經(jīng)網(wǎng)絡(luò)的權(quán)值分布圖plotsom(w1,net.layers1.distances);%輸入測試數(shù)據(jù)p=0.5;0.5;%對網(wǎng)絡(luò)進(jìn)行測試y_test=sim(net,p);%將測試數(shù)據(jù)所得到的單值向量變

11、換成下標(biāo)向量y_test=vec2ind(y_test)6. 學(xué)習(xí)向量量化(LVQ)神經(jīng)網(wǎng)絡(luò)屬于前向神經(jīng)網(wǎng)絡(luò),在模式識(shí)別和優(yōu)化領(lǐng)域有著廣泛應(yīng)用例6.針對一組輸入向量,設(shè)計(jì)一個(gè)LVQ神經(jīng)網(wǎng)絡(luò),經(jīng)過訓(xùn)練后,能對給定的數(shù)據(jù)進(jìn)行模式識(shí)別.代碼:%輸入向量P及其對應(yīng)的類別向量CP=-6 -4 -2 0 0 0 0 2 4 6;0 2 -2 1 2 -2 1 2 -2 0;C=1 1 1 2 2 2 2 1 1 1;%將類別向量C轉(zhuǎn)換為目標(biāo)向量TT=ind2vec(C);%繪制輸入向量P，用顏色將輸入向量分為兩類Plotvec(P,C,*r) ;axis(-8 8 -3 3)%創(chuàng)建一個(gè)LVQ神經(jīng)網(wǎng)絡(luò)，隱含

12、層有5個(gè)神經(jīng)元，0.6 0.4表示在隱含層的權(quán)值中,有60%的列的第一行的值是1,40%的列的第一行值為1,也就是說60%的列屬于第一類,40%屬于第二類,網(wǎng)絡(luò)的其他參數(shù)取默認(rèn)值net=newlvq(minmax(P),5,0.6 0.4);net.trainParam.epoches=100;net=train(net,P,T);%給定數(shù)據(jù)，輸出網(wǎng)絡(luò)的分類結(jié)果測試網(wǎng)絡(luò)的性能p=0 1；0.2 0;y=sim(net,p);yc=vec2ind(y)%對給定數(shù)據(jù)，一個(gè)歸為第二類，一個(gè)歸為第一類yc = 2 17. Elman神經(jīng)網(wǎng)絡(luò)反饋神經(jīng)網(wǎng)絡(luò),他是一種有非線性元件構(gòu)成的反饋系統(tǒng),其穩(wěn)定狀態(tài)的

13、分析比屬于前向神經(jīng)網(wǎng)絡(luò)要復(fù)雜得多可解決旅行商問題(TSP)例7.下表為某單位辦公室七天上午9點(diǎn)到12點(diǎn)的空調(diào)負(fù)荷數(shù)據(jù)，數(shù)據(jù)已經(jīng)做了歸一化處理，預(yù)測方法采用前6天數(shù)據(jù)作為網(wǎng)絡(luò)的訓(xùn)練樣本，每3天的負(fù)荷數(shù)據(jù)作為輸入向量，第4天的負(fù)荷作為目標(biāo)向量，第7天的數(shù)據(jù)作為網(wǎng)絡(luò)的測試數(shù)據(jù)空調(diào)負(fù)荷數(shù)據(jù)表時(shí)間9時(shí)負(fù)荷10時(shí)負(fù)荷11時(shí)負(fù)荷12時(shí)負(fù)荷第1天0.4413 0.4707 0.6953 0.8133 第2天0.4379 0.4677 0.6981 0.8002 第3天0.4517 0.4725 0.7006 0.8201 第4天0.4557 0.4790 0.7019 0.8211 第5天0.4601 0.4

14、811 0.7101 0.8298 第6天0.4612 0.4845 0.7188 0.8312 第7天0.4615 0.4891 0.7201 0.8330 代碼：%根據(jù)預(yù)測方法得到輸入向量和目標(biāo)向量P=0.4413 0.4707 0.6953 0.8133 0.4379 0.4677 0.6981 0.8002 0.4517 0.4725 0.7006 0.8201; 0.4379 0.4677 0.6981 0.8002 0.4517 0.4725 0.7006 0.8201 0.4557 0.4790 0.7019 0.8211; 0.4517 0.4725 0.7006 0.8201

15、 0.4557 0.4790 0.7019 0.8211 0.4601 0.4811 0.7101 0.8298 'T=0.4557 0.4790 0.7019 0.8211;0.4601 0.4811 0.7101 0.8298;0.4612 0.4845 0.7188 0.8312'%輸入向量的取值范圍為0 1,用threshold來標(biāo)記threshold=0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1;%創(chuàng)建一個(gè)Elman神經(jīng)網(wǎng)絡(luò)，隱含層的神經(jīng)元的個(gè)數(shù)為17個(gè)，4個(gè)輸出層神經(jīng)元，隱含層激活函數(shù)為tansig，輸出層激活函數(shù)為purelinnet=newelm(threshold,17,4,'tansig','purelin');net.trainParam.epoches=3000;net=init(net);net=train(net,P,T);%輸入測試數(shù)據(jù)P_test=0.4557 0.4790 0.7019 0.8211 0.4601 0.4811 0.7101