2022年matlab神经网络newff函数的使用 .pdf

《2022年matlab神经网络newff函数的使用 .pdf》由会员分享，可在线阅读，更多相关《2022年matlab神经网络newff函数的使用 .pdf（5页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、matlab 神经网络newff 函数的使用设P,T 是训练样本， X,Y 是测试样本；net=newrb(P,T,err_goal,spread); %建立网络q=sim(net,p); e=q-T; plot(p,q); % 画训练误差曲线q=sim(net,X); e=q-Y; plot(X,q); % 画测试误差曲线训练前馈网络的第一步是建立网络对象。函数newff 建立一个可训练的前馈网络。这需要4个输入参数。第一个参数是一个Rx2 的矩阵以定义R 个输入向量的最小值和最大值。第二个参数是一个设定每层神经元个数的数组。第三个参数是包含每层用到的传递函数名称的细胞数组。最后一个参数是用

2、到的训练函数的名称。举个例子， 下面命令将创建一个二层网络。它的输入是两个元素的向量，第一层有三个神经元(3)，第二层有一个神经元(1)。第一层的传递函数是tan-sigmoid，输出层的传递函数是linear。输入向量的第一个元素的范围是-1 到 2-1 2 ，输入向量的第二个元素的范围是0 到 50 5 ，训练函数是traingd 。net=newff(-1 2; 0 5,3,1,tansig,purelin,traingd); 这个命令建立了网络对象并且初始化了网络权重和偏置，因此网络就可以进行训练了。我们可能要多次重新初始化权重或者进行自定义的初始化。下面就是初始化的详细步骤。在训练前

3、馈网络之前，权重和偏置必须被初始化。初始化权重和偏置的工作用命令init来实现。这个函数接收网络对象并初始化权重和偏置后返回网络对象。下面就是网络如何初始化的：net = init(net); 我们可以通过设定网络参数net.initFcn 和 net.layeri.initFcn这一技巧来初始化一个给定的网络。net.initFcn 用来决定整个网络的初始化函数。前馈网络的缺省值为initlay ，它允许每一层用单独的初始化函数。设定了 net.initFcn ，那么参数net.layeri.initFcn 也要设定用来决定每一层的初始化函数。对前馈网络来说，有两种不同的初始化方式经常被用到

4、：initwb 和 initnw 。initwb 函数根据每一层自己的初始化参数(net.inputWeightsi,j.initFcn)初始化权重矩阵和偏置。前馈网络的初始化权重通常设为rands，它使权重在-1 到 1 之间随机取值。这种方式经常用在转换函数是线性函数时。 initnw 通常用于转换函数是曲线函数。它根据 Nguyen 和 WidrowNgWi90为层产生初始权重和偏置值，使得每层神经元的活动区域能大致平坦的分布在输入空间。它比起单纯的给权重和偏置随机赋值有以下优点：（1）减少神经元的浪费（因为所有神经元的活动区域都在输入空间内）。（2）有更快的训练速度（因为输入空间的每个

5、区域都在活动的神经元范围中）。初始化函数被newff 所调用。因此当网络创建时，它根据缺省的参数自动初始化。init不需要单独的调用。 可是我们可能要重新初始化权重和偏置或者进行自定义的初始化。例如，我们用 newff 创建的网络，它缺省用initnw 来初始化第一层。如果我们想要用rands 重新初名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 1 页，共 5 页 - - - - - - - - - 始化第一层的权重和偏置，我们用以下命令：net.layers1.initFcn =

6、 initwb; net.inputWeights1,1.initFcn = rands; net.biases1,1.initFcn = rands; net.biases2,1.initFcn = rands; net = init(net); IW: 输入层到隐含层的权重矩阵LW: 隐含层和输出层间的权重矩阵b: 阀值向量如网络为net, 输入层和输出均为一个接点情况下，则用net.IW1,1 可以看到第一个输入接点到第一隐含层的权重向量；net.LW2,1 可以看到隐含层到输出层的权值向量；net.b1,1 是隐含层的阀值向量，net.b2,1 是输出接点的阀值；在多输入输出下先用ne

7、t.IW net.LW net.b 查看各矩阵结构，再相应用net.IW?,? 等语句查到相关的向量_ clear all; %define the input and output p= 974 874 527; 388 466 1764; 1316 2439 2251; 1836 2410 1860; 1557 2301 1578; 1490 1877 2749; 1513 1278 2026; 1070 1561 2794; 1347 2415 3306; 1324 2746 1233; 1383 1463 1847; 1282 0 2347; t=19797 24282 34548;

8、% 创建 bp 网络和定义训练函数% 这里是为了方便而建立一个矩阵，注意是12x2，不是 3x2 pr= 527 974; 388 1764; 1316 2439; 1836 2410; 1557 2301; 1490 2749; 名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 2 页，共 5 页 - - - - - - - - - 1278 2026; 1070 2794; 1347 3306; 1233 2746; 1383 1847; 0 2347 net=newff(pr,1

9、5,1,tansig purelin,trainlm); %这里要加入输出层的转移函数，一般是trainlm net.trainparam.goal=50; net.trainparam.epochs=5000; %训练神经网络net,tr=train(net,p,t); %输出训练后的权值和阈值iw1=net.IW1; b1=net.b1; lw2=net.LW2; b2=net.b2; %存储训练好的神经网络save netkohler net _ 怎样知道matlab 已经训练好的神经网络的权值、步长以及阙值用 matlab 训练神经网络时不需输入权值、步长以及阙值，如果我想知道matl

10、ab 已经训练好的神经网络的权值、步长以及阙值该怎末操作？训练好的权值、阈值的输出方法是：输入到隐层权值：w1=net.iw1,1 隐层阈值：theta1=net.b1 隐层到输出层权值：w2=net.lw2,1; 输出层阈值：theta2=net.b2 _ 帮我看看matlab 的这段程序 (有关神经网络BP 算法）在一位老师的讲义上看到的程序，但是有些东西不太明白，请求帮助程序如下：* clf; figure(gcf) echo on %NEWFF 建立一个BP 网络%TRAIN 对 BP 网络进行训练%SIM 对 BP 网络进行仿真pause P = -1:0.1:1; 名师资料总结 -

11、 - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 3 页，共 5 页 - - - - - - - - - T = -.9602 -.5770 -.0729 .3771 .6405 .6600 .4609 . .1336 -.2013 -.4344 -.5000 -.3930 -.1647 .0988 . .3072 .3960 .3449 .1816 -.0312 -.2189 -.3201; plot(P,T,+); title(Training Vectors); xlabel(Input Vec

12、tor P); ylabel(Target Vector T); pause net=newff(minmax(P),5 1,tansig purelin,traingd,learngd,sse); echo off k = pickic; if k = 2 net.iw1,1 = 3.5000; 3.5000; 3.5000; 3.5000; 3.5000; net.b1 = -2.8562; 1.0774; -0.5880; 1.4083; 2.8722; net.lw2,1 = 0.2622 -0.2375 -0.4525 0.2361 -0.1718; net.b2 = 0.1326;

13、 end net.iw1,1 net.b1 net.lw2,1 net.b2 pause echo on me=8000; net.trainParam.show=10; net.trainParam.goal=0.02; net.trainParam.lr=0.01; A=sim(net,P); sse=sumsqr(T-A); for i=1:me/100 if ssenet.trainparam.goal,i=i-1;break,end net.trainParam.epochs=100; net,tr=train(net,P,T); trp(1+100*(i-1):(max(tr.ep

14、och)+100*(i-1)=tr.perf(1:max(tr.epoch); A=sim(net,P); sse=sumsqr(T-A); plot(P,T,+); hold on plot(P,A) hold off pause end message=sprintf(Traingd, Epoch %g/%g, SSE %gn,me); fprintf(message,(max(tr.epoch)+100*(i-1),sse) 名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 4 页，共 5 页 - - - - - - - - - plot(tr) i,j=size(trp); hold on plot(1:j,net.trainParam.goal,r-) hold off title(Error Signal) xlabel(epoch) ylabel(Error) p = 0.5; a = sim(net,p) echo off 名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 5 页，共 5 页 - - - - - - - - -