神经网络试验演示文稿.ppt

实验一单层感知器n1.感知器模型 o1 oj om W1 Wj Wm x1 x2 xi xn2.感知器的学习算法j=1,2,m Tni21,.,x,.x,xx)(XTmi21,.,o,.o,oo)(OTnjijj2j1j,.,w,.w,ww)(W净输入：净输入：输出：输出：niiijjxwnet1(2.1)()()(XWTjn0iiijjjjsgnxwsgnTnetsgno(2.2)式中，当实际输出与期望值相同时，权值不需要式中，当实际输出与期望值相同时，权值不需要调整。感知器学习规则代表一种调整。感知器学习规则代表一种有导师学习。有导师学习。输入样本数据实验结果程序代码nincluden#includenusing namespace std;nint main()nndouble d3=-1,-1,1;ndouble w41=0.5,1,-1,0;/初始权向量ndouble anta=0.1;ndouble netj;ndouble x54,o3;nint i,j,k;nifstream infile(f1.txt,ios:in);nif(!infile)nncerropen error!endl;nexit(1);nnfor(j=0;j3;j+)nnfor(i=0;ixij;ninfile.ignore();nnnfor(j=0;j3;j+)/输出的3个样本nnfor(i=0;i4;i+)nncoutxij;nnnncoutendl;nwhile(true)nnk=0;nwhile(k3)nnnetj=0;nfor(i=0;i4;i+)nnnetj+=wi0*xik;nncoutnetj=0)nnok=1;nnelsennok=-1;nncoutdk;okendl;nfor(i=0;i4;i+)nnwi0=wi0+anta*(dk-ok)*xik;ncoutwi0,;nnncoutendl;n+k;nnnnif(d0=o0)&(d1=o1)&(d2=o2)nncout(d0=o0)&(d1=o1)&(d2=o2)endl;nbreak;nnninfile.close();nreturn 0;n实验二.径向神经网络实验n一.实验目的：n径向基函数网络多用于函数逼近和分类问题的研究，本实验演示如何应用函数构建一个径向基网络，然后对一系列的数据点进行函数逼近。n二.问题的提出n假设如下的输入/输出样本，输入向量为【-1，1】区间上等间隔的数组成的向量P，相应的期望值向量为T.nP=-1:0.1:1;nT=-0.9602-0.5770-0.0729 0.3771 0.6405 0.6600 0.4609.n 0.1336-0.2013-0.4344-0.5000-0.3930-0.1647 0.0988.n 0.3072 0.3960 0.3449 0.1816-0.0312-0.2189-0.3201;n以输入向量为横坐标，期望值为纵坐标，绘制训练用样本的数据点，如图：n目的找到一个函数能够满足这21个数据点的输入/输出关系。本例通过构建径向基函数网络来进行曲线拟合。n三.网络设计n设计一个径向基函数网络，网络有两层，隐层为径向基神经元，输出层为线形性神经元。n绘制隐层神经元径向基传递函数的曲线，如图：n每一个隐层神经元的权值和阈值都与径向基函数的位置和宽度有关系，输出层的线性神经元将这些径向基函数的权值相加。如果隐层神经元的数目足够，每一层的权值和阈值正确，那么径向基函数网络就完全能够精确的逼近任意函数。如图所示，其中三条实线表示单个径向基函数曲线，虚线表示三条曲线相加的结果。n从图中可以看出，如果调整权值和阈值，就可以做到对任何函数曲线的拟合。n应用newrb()可以快速构建一个径向基函数网络，并且网络自动根据输入向量和期望值进行调整，从而进行函数逼近，预先设定均为方差精度eg以及散布常数sc.neg=0.02;nsc=1;nnet=newrb(P,T,eg,sc);nNEWRB,neurons=0,SSE=3.69051三.网络测试n将网络输出和期望值随输入向量变化的曲线绘制在一张图上，可以看出网络设计是否能够做到函数逼近。如图：n其中“+”点为样本数据点，从中可以看出，应用径向基网络进行函数逼近非常成功。谢谢！