matlab辅助神经网络设计(5)

来源：网络收集时间：2026-08-29

导读：与大多数其它神经网络不同，只要已知其输入向量P和目标向量t，就可以直接设计出线性神经网络使得线性神经网络的权值矩阵误差最� Ｆ涞饔妹钊缦拢� [w,b]=solve lin(p,t); 3．仿真函数simulin( ) 函数simulin( )可

与大多数其它神经网络不同，只要已知其输入向量P和目标向量t，就可以直接设计出线性神经网络使得线性神经网络的权值矩阵误差最小。其调用命令如下：

[w,b]=solve lin(p,t); 3．仿真函数simulin( )

函数simulin( )可得到线性网络层的输出 a=simulin(p,w,b)

其中a为输出向量,b为阀值向量 4．训练函数trainwh 和adaptwh( )

线性神经网络的训练函数有两种：trainwh( )和adaptwh( )。其中函数trainwh可以对线性神经网络进行离线训练；而函数adaptwh( ) 可以对线性神经网络进行在线自适应训练。

利用trainwh( )函数可以得到网络的权矩阵w，阀值向量b，实际训练次数te 以及训练过程中网络的误差平方和lr。

[w,b,te,lr]=trainwh(w,b,p,t,tp) 输入变量中训练参数tp为：

·tp(1)指定两次更新显示间的训练次数，其缺省值为25； ·tp(2)指定训练的最大次数，其缺省值为100； ·tp(3)指定误差平方和指标，其缺省值为0.02；

·tp(4)指定学习速率，其缺省值可由maxlinlr( )函数（此函数主要用于计算采用W－H规则训练线性网络的最大的稳定的分辨率）得到。

而利用函数adaptwh( )可以得到网络的输出a、误差e、权值矩阵w和阀值向量b。

[a,e,w,b]=adaptwh(w,b,p,t,lr)

输入变量lr为学习速率，学习速率lr 为可选参数，其缺省值为1．0。另外，函数maxlinlr( )的调用格式为： lr=maxlinlr(p);

六、线性神经网络的应用举例

为了理解线性神经网络的理论及其应用问题，下面给出一个实际问题进

行分析，设计一个线性神经网络，用于信号仿真及信号预测。

首先输入信号样本为： time=1：0.0025：5； p=sin(sin(time)*time*10)；目标信号为： t=p*2+2；

图形显示样本信号的规律为： plot(time, p, time, t, ’---’) title(‘Input and Target Signals’) xlabel(‘Time’)

ylabel(‘Input__ Target__’)

Tnput and Target Signals43.532.5Input__ Target__21.510.50-0.5-111.522.53Time3.544.55 图3.3 样本信号

利用输入样本信号和理想输出进行线性神经网络初始化： [w，b]=initlin(p，t)

然后利用函数adaptwh对构造的网络进行训练， lr=0.01； [a, e, w, b]=adaptwh(w, b, p, t, lr) 其中lr为学习率，a为网络的输出，e为误差。仿真结果与目标信号对比分析： plot(time, a, time, t, ‘--’) title(‘Output and Target Signals’)

xlabel(‘Time’)； ylabel(‘Output__ Target__’)

Output and Target Signals43.53Output__ Target__2.521.510.5011.522.53Time3.544.55 图3.4 仿真结果与目标信号对比分析

误差分析： plot(time,e)

hold on； plot([min(time) max(time)],[0 0],':r') xlabel('Time')； ylabel('Error')

Error Signal43.532.521.510.50-0.5Error11.522.53Time3.544.55 图3.5 误差分析

第四节 BP网络

感知器神经网络模型和线性神经网络模型虽然对人工神经网络的发展起了很大的作用，它们的出现也曾掀起了人们研究神经网络的热潮。但它们有许多不足之处。人们也曾因此失去了对神经网络研究的信心，但rumelhart、mcclellard和他们的同事洞悉到网络信息处理的重要性，并致力于研究并行分布信息处理方法，探索人类认知的微结构，于1985年发展了BP网络的学习算法。从而给人工神经网络增添了活力，使其得以全面迅速地恢复发展起来。

BP网络是一种多层前馈神经网络，其神经元的激励函数为S型函数，因此输出量为0到1之间的连续量，它可以实现从输入到输出的任意的非线性映射。由于其权值的调整是利用实际输出与期望输出之差，对网络的各层连接权由后向前逐层进行校正的计算方法，故而称为反向传播（Back-Propogation）学习算法，简称为BP算法。BP算法主要是利用输入、输出样本集进行相应训练，使网络达到给定的输入输出映射函数关系。算法常分为两个阶段：第一阶段（正向计算过程）由样本选取信息从输入层经隐含层逐层计算各单元的输出值；第二阶段（误差反向传播过程）由输出层计算误差并逐层向前算出隐含层各单元的误差，并以此修正前一层权值。BP网络主要用于函数逼近、模式识别、分类以及数据压缩等方面。 …… 此处隐藏：427字，全部文档内容请下载后查看。喜欢就下载吧 ……

matlab辅助神经网络设计(5).doc 将本文的Word文档下载到电脑，方便复制、编辑、收藏和打印

下载这篇word文档

本文链接：https://www.jiaowen.net/wendang/518856.html（转载请注明文章来源）

上一篇：火力发电厂锅炉汽包双色水位计缺陷原因分析及治理方法
下一篇：开放英语1(2)2012.06.26