MATLAB神经网络之各函数介绍

clear all;

[x,y]=meshgrid(-8:0.1:8);

z=sinc(x);

mesh(x,y,z);                效果图如下

set(gcf,'color','w');        设置图形窗口背景为白色

修改z的赋值

clear all;

[x,y]=meshgrid(-10:0.3:10);

r=sqrt(x.^2+y.^2)+eps;

z=sin(r)./r;

mesh(x,y,z)

初始化函数

clear all;

net=newp([0,1;-2,2],1);

disp('³õʼ»¯Ö®Ç°µÄȨֵÊÇ£º ')

w1=net.iw{1,1}

disp('³õʼ»¯Ö®Ç°µÄ·§ÖµÎª')

b1=net.b{1}

net.iw{1,1}=[5,6];

disp('¡£¡£¡£È¨ÖµÎª')

w2=net.iw{1,1}

net.b{1}=7;

disp('·§ÖµÎª')

b2=net.b{1}

net=init(net);            利用网络初始化复原网络权值和阀值

w3=net.iw{1,1}

b3=net.b{1}

例子：利用init函数将网络输入的权值与阀值改变为随机数

>> clear all;

net=newp([0,1;-2,2],1);

net.inputweights{1,1}.initFcn='rands';

net.biases{1}.initFcn='rands';

net=init(net);                检验权值和阀值

w=net.iw{1,1}

b=net.b{1}

w =

    0.8116   -0.7460

b =

    0.6294

>>

感知器

plotpv函数：用于在坐标中绘制给定的样本点及其类别

plotpc函数：用于绘制感知器分界线

clear all;

p=[-0.5,-0.5,0.3,-0.1,-0.8;-0.5,0.5,-0.5,1.0,0.0];

t=[1,1,0,0,0];

plotpv(p,t);            绘制样本节点

net=newp([-40,1;-1,50],1);

hold on

linehandles=plotpc(net.IW{1},net.b{1});

net.adaptParam.passes=3;

linehandle=plotpc(net.IW{1},net.b{1});

for a=1:25

    [net,y,e]=adapt(net,p,t);

    linehandle=plotpc(net.iw{1},net.b{1},linehandle);

    drawnow;

end

title('the kind of xiangliang')

仿真函数

在matlab中提供了sim函数，对于神经网络进行仿真，格式：

[y,pf,af,perf]=sim(net,p,pi,ai,t)

[y,pf,af]=sim(net,{q ts},pi,ai)

设计一个输入为二维向量的感知器网络，其边界值已定。

clear all;

format compact

net=newp([-2,2;-2,2],1);

net.IW{1,1}=[-1,1];

net.b{1}=[1];

p1=[1;1];

a1=sim(net,p1)

p2=[1;-1];

a2=sim(net,p2)

p3={[1;1],[1;-1]};

a3=sim(net,p3)

得到

a1 =

     1

a2 =

     0

a3 = 

    [1]    [0]

性能函数

Matlab神经网络工具箱提供了mae函数，用于求网络的平均绝对误差性能。感知器的学习规则为调整网络的权值和阀值，使得网络的平均绝对误差和最小。调用格式：

Perf=mae(e,y,x,fp)

Dperf_dy=mae(‘dy’,e,y,x,perf,fp)

Dperf_dx=mae(‘dx’,e,y,x,perf,fp)

Info=mae(‘code’)

其中，e为误差矩阵或向量（e=t-y,   t表示网络的目标向量）；y是网络的输出向量（可以忽略）；x为所有权值和偏值向量；fp为性能参数，perf表示平均绝对误差；dperf_dy表示返回perf对y的导数；mae（code）将根据code值的不同，返回不同的信息；

返回的信息包括：

当code=name时，表示返回函数全称

当code=pnames时，表示返回训练参数的名称

当code=pdefaults时，表示返回默认的训练参数

创建一个感知器神经网络，求其平均绝对误差

clear all;

net=newp([-10,10],1);

p=[-10,-5,0,5,10];

t=[0,0,1,1,1];

y=sim(net,p)

e=t-y

perf=mae(e)

得到：

y =

     1     1     1     1     1

e =

    -1    -1     0     0     0

perf =

    0.4000

训练函数

函数：train函数，用于训练一个神经网络。网络训练函数是一个通用的学习函数，训练函数重复的把一组输入向量应用到一个网络上，每次都更新网络，直到达到某种准则。停止准则的可能是最大的学习次数，最小的误差梯度或者误差目标。

格式：[net,tr,y,e,pf,af]=train(net,p,t,pi,ai)

其中，net 是训练后的网络，tr为训练纪录，y为网络输出，e为误差向量；pf为训练终止时的输入延时状态，af为训练终止时的层延时状态；

其中，net为训练之前的网络，p为网络的输入向量矩阵；t表示网络的目标矩阵，默认值是0；pi表示初始输入延时，默认值是0；ai表示初始的层延时，默认值是0；

本例子尝试建立一个感知器模型，实现电路“或”们的功能，从而实现对输入的分类

clear all;

p=[0,0,1,1;0,1,0,1];

t=[0,1,1,1];

net=newp(minmax(p),1);

y=sim(net,p)

net.trainParam.epochs=20;

net=train(net,p,t);

y=sim(net,p);

err1=mae(y-t)

plotpv(p,y)

title('ÏòÁ¿Àà±ð')

得到：

y =

     1     1     1     1

err1 =

     0

adapt函数

该函数为学习自适应函数，其在每一个输入时间阶段更新网络时仿真网络。

格式：[net,y,e,pf,af,tr]=adapt(net,p,t,pi,ai)        参数意义与train函数一致

对一个神经网络进行自适应训练

clear all;

p1={-1,0,1,0,1,1,-1,0,-1,1,0,1};

t1={-1,-1,1,1,1,2,0,-1,-1,0,1,1};

net=linearlayer([0,1],0.5);

[net,y,e,pf]=adapt(net,p1,t1);

while(mae(e)<1e-20)

    [net,y,e,pf]=adapt(net,p1,t1);

end

mae(e)            %平均绝对误差

得到：

ans =

    0.4196