matlab辅助神经网络设计(3)

3）根据输入向量P、最新权值向量w和阀值向量b，计算网络输出向量a。

9

4）检查感知器输出向量与目标向量是否一致，或者是否达到了最大的训练次数，如果是则结束训练，否则转入（5）。

5）根据感知器学习规则调查权向量，并返回3）。

五、重要的感知器神经网络函数的使用方法

对于感知器的初始化、训练、仿真，在MATLABP神经网络工具箱中分别提供了init( ), trainp( )和sim( )函数。

1．初始化函数init( )

感知器初始化函数init( )可得到R个输入，S个神经元数的感知器层的权值和阀值，其调用格式为：

[w,b]=init(R,S)

另外，也可以利用输入向量P和目标向量t来初始化。 [w，b]=init(p，t)

在介绍trainp( )函数前，让我们先介绍一下训练的控制参数tp。 tp=[disp_freq max_epoch]

其中disp_freq指定两次显示间训练次数，缺省值为1；map_epoch指定训练的最大次数，缺省值为100。

调用训练函数trainp( )函数后又得到新的权值矩阵，阀值向量以及误差te。trainp( )函数所需要的输入变量为：输入向量P、目标向量t以及网络的初始权值和阀值，训练的控制参数tp。调用格式为：

[w,b,te]=trainp(w,b,p,t,tp)

由于函数trainp( )并不能保证感知器网络所得到的网络权值和阀值达到要求。因此，在训练完后，要用下列验证语句验证一下。

a=sim(p, w, b);

if all(a= =t),disp( ′It works!′),end

假如网络不能成功运行，就可以继续运用trainp( )函数对网络进行训练。经足够的训练后，网络仍达不到要求，那么就应当认真分析一下，感知器网络是否适合于这个问题。

3．仿真函数sim( )

sim( )函数主要用于计算网络输出。它的调用比较简单。

10