人工神經(jīng)網(wǎng)絡(luò)例題

人工神經(jīng)網(wǎng)絡(luò)例題（1）BP網(wǎng)絡(luò)訓(xùn)練后將所提取的樣本對(duì)中的非線性映射關(guān)系存儲(chǔ)在權(quán)值段，當(dāng)向網(wǎng)絡(luò)輸入訓(xùn)練時(shí)未曾見過的非樣本數(shù)據(jù)時(shí)，網(wǎng)絡(luò)也能完成由輸入空間向輸出空間的正確映射。這種能力稱為多層感知器的泛化能力，它是衡量多層感知器性能優(yōu)劣的一個(gè)重要方（2）網(wǎng)絡(luò)的性能好壞主要看其是否具有很好的泛化能力，而對(duì)泛化能力的測(cè)試不能用訓(xùn)練集的數(shù)據(jù)進(jìn)行，要用訓(xùn)練集以外的測(cè)試數(shù)據(jù)來進(jìn)行檢驗(yàn)。在隱節(jié)點(diǎn)數(shù)一定的情況下，為獲得更好的泛化0據(jù)得出兩條均方誤差隨訓(xùn)練次數(shù)變化的曲線0在此之前停止訓(xùn)練稱為訓(xùn)練不足，在此之后稱為訓(xùn)練過度。（1）學(xué)習(xí)向量量化（learningvectorquantization，LVQ）網(wǎng)絡(luò)是在競(jìng)爭(zhēng)網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上提用有監(jiān)督方法，在訓(xùn)練中加入教師信號(hào)作為分類信息對(duì)權(quán)值進(jìn)行細(xì)調(diào)，并對(duì)輸出神經(jīng)元預(yù)先指定3、設(shè)計(jì)一個(gè)神經(jīng)網(wǎng)絡(luò)對(duì)圖一中的三類線性不可分模式進(jìn)行分類，期望輸出向量分別用(1,-1,-(-1,-1,1)T表示，至于隱層節(jié)點(diǎn)的個(gè)數(shù)并沒有確切的況下達(dá)到相同的訓(xùn)練精度所需要的訓(xùn)練次數(shù)，當(dāng)隱層節(jié)點(diǎn)數(shù)為M=5時(shí)，在訓(xùn)練次數(shù)為見，在一定范圍內(nèi)，隱層節(jié)點(diǎn)數(shù)越多，達(dá)到訓(xùn)練精度時(shí)所用4、試設(shè)計(jì)一個(gè)吸引子為Xa=（0110)T，Xb=(100吸引子的分布是由網(wǎng)絡(luò)的權(quán)值（包括閾值）決定的，設(shè)計(jì)吸引子的核心就是如何設(shè)計(jì)一組合5、下面給出的訓(xùn)練集由玩具兔和玩具熊組成。輸入樣本向量的第一個(gè)分量代表類。兩個(gè)輸入分量在幾何上構(gòu)成一個(gè)二維平面，輸入樣本可以用該平面上的一個(gè)點(diǎn)表示，玩具重量和長(zhǎng)度在坐標(biāo)中標(biāo)出，可以看出明顯分布在兩個(gè)區(qū)域，可以用一條線分開分為兩類，在線上方clearall;D=[1,-1,-1;1,-1,-1;1,-1,-1;-1,1,-1;-1,1,-1;-1,1,-1;-1,-1,1;-1,-1,1;-1,-1,1]';%M=ceil(sqrt(N*L))+7;ceil函數(shù)為正無窮方向取整m=14;%隱層節(jié)點(diǎn)數(shù)%初始化權(quán)矩陣%輸入層到隱層權(quán)矩陣V=rand(N,m);%隱層到輸出層權(quán)矩陣W=rand(m,L);Q=100000;%訓(xùn)練次數(shù)計(jì)數(shù)器Emin=;%訓(xùn)練要求精度Y=(1-exp(-netj))./(1+exO=(1-exp(-netk))./(E(q)=sqrt(sum(sum((D-O).^2))/break;W=W+learnr*(Delta_o*Y.').';%隱層和輸出層間的權(quán)矩Delta_y=(W*Delta_o).*(1-V=V+learnr*(Delta_y*X.').';%輸入層和隱層間qA=find(O~=D);%和計(jì)算輸出和導(dǎo)師信號(hào)不%%單層感知器初始化X=[1,4;1,5;2,4;2,5;3,1;3,2;4,1;4,2];%輸入信號(hào)d=[-1;-1;-1;-1;1;1;1;1];%輸入導(dǎo)師信號(hào)w=zeros(2,9);w(:,1)=rand(2,1);%第一組權(quán)值賦予較小的非零隨機(jī)數(shù)o=zeros(8,1);%輸出結(jié)果net=zeros(8,1);%凈輸入net%%調(diào)整權(quán)值net(i)=X(i,:)*w(:,i);%計(jì)算凈輸入neto(i)=sign(net(i));%計(jì)算輸出，轉(zhuǎn)移函數(shù)為符號(hào)函數(shù)w(:,i+1)=w(:,i)+le