MATLAB 神经网络算法
clear all
P=[1 1 1 ;1 1 1 ;1 1 0 ;1 1 1 ;1 1 0 ;1 1 1 ;1 1 0 ;1 1 0 ;1 1 0 ;1 1 0 ;1 1 1 ;1 1 1 ;1 1 1 ;1 1 0 ;1 1 0 ;]';
T=[1 1;1 1;0 0;1 1;0 0;1 1;0 0;0 0;0 0;0 0;1 1;1 1;1 1;0 0;0 0;]';
Px=[31.9 31.6 0.3 ;47.3 46.8 0.5 ;48.3 49.3 -1.0 ;51.9 51.6 0.3 ;80.6 81.3 -0.7 ;81.0 80.5 0.5 ;83.8 83.8 0.0 ;102.9 103.3 -0.4 ;108.3 108.3 0.0 ;113.4 113.9 -0.5 ;120.0 119.7 0.3 ;132.3 131.4 0.9 ;145.4 145.2 0.2 ;149.0 149.0 0.0 ;159.6 159.6 0.0 ;]';
Tx=[1.0 1.0 ;1.0 1.0 ;0.0 0.0 ;1.0 1.0 ;0.0 0.0 ;1.0 1.0 ;0.0 0.0 ;0.0 0.0 ;0.0 0.0 ;0.0 0.0 ;1.0 1.0 ;1.0 1.0 ;1.0 1.0 ;0.0 0.0 ;0.0 0.0 ;0.0 0.0]';
%net=newcf(minmax(P),[5,2],{'tansig','purelin'},'traingd');%创建两层前向反馈网络
%net=cascadeforwardnet(5,'traingdm');
net=feedforwardnet(5,'traingdm');
net.trainParam.epochs=10000; %初始化训练次数
net.trainParam.goal=1e-020; %初始化误差值
net.trainParam.lr = 0.5;
[net,tr]=train(net,P,T); %训练网络
Yout=sim(net,Px);
Tx1=Tx(1,:);
Tx2=Tx(2,:);
Yout1=Yout(1,:);
Yout2=Yout(2,:);
plot(Tx1);
hold on
plot(Yout1);
figure
plot(Tx2);
hold on
plot(Yout2);
clear all
close all
xite=0.50;
alfa=0.50; %设置初始值
w2=rands(5, 2); %设置输出层权值变量赋值
w2_1=w2 ;w2_2=w2_1;
w1=rand(3,5); %隐含层权值变量赋值
w1_1=w1;w1_2=w1;
dw1=0*w1;
I=[0,0,0,0,0]';
Iout=[0,0,0,0,0]';
FI=[0,0,0,0,0]';
OUT=2;
k=0;
E=1.0;
NS=3;
while E>=1e-020 %控制训练结束的条件 误差最小
k=k+1;
times(k)=k;
for s=1:1:NS %MIMO samples
xs=[1,0,0;0,1,0;0,0,1];
ys=[1 0; 0.5 0.5;0,1];
x=xs(s,:);
for j=1:1:5
I(j)=x*w1(:,j); %计算隐含层的输出
Iout(j)=1/(1+exp(-I(j))); %计算输出层输出
end
y1=w2'*Iout;
y1=y1' ;
e1=0;
y=ys(s,:);
for l=1:1:OUT
e1=e1+0.5*(y(1)-y1(1))^2; %输出误差
end
es(s)=e1;
E=0;
if s==NS
for s = 1:1:NS
E=E+es(s); %批量学习的误差
end
end
ey=y-y1;
w2=w2_1+xite*Iout*ey+alfa*(w2_1-w2_2); %带有动能因子的权值调解
for j = 1:1:1:5
S=1/(1+exp(-I(j)));
FI(j)=S*(1-S);
end
for i=1:1:3
for j=1:1:5
dw1(i,j)=xite*FI(j)*x(i)*(ey(1)*w2(j,1)+ey(2)*w2(j,2)); %负梯度下降法
end
end
w1=w1_1+dw1+alfa*(w1_1-w1_2);
w1_2=w1_1;w1_1=w1;
w2_2=w2_1;w2_1=w2;
end % end of for
Ek(k)=E;
end
figure(1);
plot(times,Ek,'r');
xlabel('k');ylabel('E');
x=[1 1 1 ;1 1 1 ;1 1 0 ;1 1 1 ;1 1 0 ;1 1 1 ;1 1 0 ;1 1 0 ;1 1 0 ;1 1 0 ;1 1 1 ;1 1 1 ;1 1 1 ;1 1 0 ;1 1 0 ;];
for i=1:1:7
for j=1:1:5
I(i,j)=x(i,:)*w1(:,j);
Iout(i,j)=1/(1+exp(-I(i,j)));
end
end
y=w2'*Iout';
Tx=[1.0 1.0 ;1.0 1.0 ;0.0 0.0 ;1.0 1.0 ;0.0 0.0 ;1.0 1.0 ;0.0 0.0 ;0.0 0.0 ;0.0 0.0 ;0.0 0.0 ;1.0 1.0 ;1.0 1.0 ;1.0 1.0 ;0.0 0.0 ;0.0 0.0 ;0.0 0.0];
Tx1=Tx(1,:);
Tx2=Tx(2,:);
y1=y(1,:);
y2=y(2,:);
plot(Tx1);
hold on
plot(y1);
figure
plot(y1);
figure
plot(Tx2);
hold on
plot(y2);
相关推荐
用matlab贝叶斯方法实现神经网络算法
在matlab开发环境下 ,用贝叶斯网络实现神经网络算法的实现步骤 简单的阐明了神经网络机器学习的原理
bp神经网络算法matlab程序,bp神经网络的matlab实现
trainlm训练函数最有效%net=newff(P,T,31,{'tansig','purelin'},'trainlm');%创建一个新的前向神经网络net_1=newff(minmax(P),[10,1],{'tansig','purelin'},'traingdm')%当前输入层权值和阈值{1,1}inputbias=net_1.b{1}%当前网络层权值和阈值{2,1}layerbias=net_1.b{2}%设置训练参数=50;这就是p到t的映射关系。...
matlab实现神经网络算法,人工神经网络matlab代码
function [presim ss net] = simnonlin( y,d,n )% y-- 时间序列数据,列向量% d-- 时间延迟参数,正整数% n--用于训练的点的个数,正整数trainset = gettrain(y,d);inputs = trainset(:,1:end-1)';targets = trainset(:,end)';net = feedforwardnet(20,'trainscg');% net = newff(inputs,targets,40);% net = tr
模糊神经网络算法matlab,模糊神经网络算法原理
BP算法的基本思想是:学习过程由信号正向传播与误差的反向回传两个部分组成;正向传播时,输入样本从输入层传入,经各隐层依次逐层处理,传向输出层,若输出层输出与期望不符,则将误差作为调整信号逐层反向回传,对神经元之间的连接权矩阵做出处理,使误差减小。经反复学习,最终使误差减小到可接受的范围。具体步骤如下:1、从训练集中取出某一样本,把信息输入网络中。2、通过各节点间的连接情况正向逐层处理后,得到神经网络的实际输出。3、计算网络实际输出与期望输出的误差。...
Matlab中各种神经网络算法的使用实例
自己做实验的时候用到的一个资源,感觉还不错,分享出来,希望对你有所帮助,顺表捞点资源,无用不会发,放心下载。


