MATLAB之BP神经网络
发布时间
阅读量：
阅读量
| 网络名 | 子对象 | 属性 |
|---|---|---|
| net | 输入/输出向量、网络层、目标向量、权值向量、阈值向量 | range、size、transferFCn |
1、生成神经网络
<span style="font-size:14px;">net=newff(P,T,[S1 S2 ... S(N-1)],{TF1 TF2 ... TFN1},BTF,BLF,PF,IPF,OPF,DDF);</span><span style="font-size:14px;">
</span> <span style="font-size:14px;">P为输入向量（元素数X样本数） T为输出向量（元素数X样本数） Si为第i层长度（神经元个数 ） </span><span style="font-size:14px;">TFi为第i层的传递函数 </span><span style="font-size:14px;">BTF为训练函数 BLF为学习算法 PF为性能函数</span>- 传递函数
常用传递函数：purelin(); tansig(); logsig()
传递函数求导：
在工作空间输入缀有‘deriv’的指令，找到相应的导数函数
<span style="font-size:14px;font-weight:normal;">logsig('deriv')
ans=
dlogsig</span>- 训练函数
两种方式
（1）先构建网络，并设定训练算法，用批处理训练函数train()
<span style="font-size:14px;">net=newff(P,T,[S1 S2 ... S(N-1)],{TF1 TF2 ... TFN1},BTF,BLF,PF,IPF,OPF,DDF);
</span><span style="font-size:14px;">
%先设置好相应的训练参数
</span><span style="font-size:14px;">%net.trainParam.epochs
%</span><span style="font-size:14px;">net.trainParam.time
</span><span style="font-size:14px;">%</span><span style="font-size:14px;">net.trainParam.goal
</span><span style="font-size:14px;">%...</span><span style="font-size:14px;">
</span><span style="font-size:14px;">net=train(net,P,T)</span>（2）直接用相应训练算法的训练函数训练
<span style="font-size:14px;">[net,tr,Ac,El]=traingdm(net,Pd,Tl,Ai,Q,TS,VV,TV)</span>训练函数 ：确定调整的大算法，是全局调整权值和阈值，考虑的是整体误差的最小；
学习函数 ：决定调整量怎么确定，是局部调整权值和阈值，考虑的是单个神经元误差的最小。
训练函数是如何让误差最小的一些算法，如梯度下降，共轭梯度，这里强调算法。学习函数是指，权值和阈值的调整规则，或者称更新规则。训练函数求得权值或阈值之后，由学习函数进行调整，然后再由训练函数训练新的权值或阈值，然后再调整，反复下去。
2、权值初始化
newff()可以自动完成，但无法重新赋初值，重新初始化用init()函数
<span style="font-size:14px;">net=init(net);</span>3、网络仿真
给定网络结构和输入变量p，计算相应的网络输出a
<span style="font-size:14px;">p=[];
a=sim(net,p)</span>全部评论 (0)
还没有任何评论哟~