第2章 单层前向网络及LMS学习算法仿真实例 Matlab 实现
2012-04-27 22:21
537 查看
参考了:http://blog.csdn.net/henhen2002/article/details/5416574
[例2-1]试用单层感知器,实现逻辑“与”和“或”运算。
输入矢量:P=[0 0 1 1; 0 1 0 1]
目标矢量:T=[0 0 0 1]
[例2-2]使用单层感知器解决一个简单的分类问题。
输入矢量:P=[-0.5 -0.5 0.3 0; -0.5 0.5 -0.5 1]
目标矢量:T=[1 1 0 0]
[例2-1]试用单层感知器,实现逻辑“与”和“或”运算。
输入矢量:P=[0 0 1 1; 0 1 0 1]
目标矢量:T=[0 0 0 1]
P= [0 0 1 1; 0 1 0 1]; %给定训练样本数据 T= [0 0 0 1]; %给定样本数据所对应的类别,用1和0来表示两种类别 %创建一个有两个输入、样本数据的取值范围都在[-1,1]之间,并且 %网络只有一个神经元的感知器神经网络 net=newp([-1 1;-1 1],1); net.trainParam.epochs = 20; %设置网络的最大训练次数为20次 net=train(net,P,T); %使用训练函数对创建的网络进行训练 Y=sim(net,P) %对训练后的网络进行仿真 E1=mae(Y-T) %计算网络的平均绝对误差,表示网络错误分类 Q=[0 0 1 1; 0 1 0 1]; %检测训练好的神经网络的性能 Y1=sim(net,Q) %对网络进行仿真,仿真输出即为分类的结果 figure; %创建一个新的绘图窗口 plotpv(Q,Y1); %在坐标图中绘制测试数据 plotpc(net.iw{1},net.b{1}) %在坐标图中绘制分类线
[例2-2]使用单层感知器解决一个简单的分类问题。
输入矢量:P=[-0.5 -0.5 0.3 0; -0.5 0.5 -0.5 1]
目标矢量:T=[1 1 0 0]
P= [-0.5 -0.5 0.3 0; -0.5 0.5 -0.5 1]; %给定训练样本数据 T= [1 1 0 0]; %给定样本数据所对应的类别,用1和0来表示两种类别 %创建一个有两个输入、样本数据的取值范围都在[-1,1]之间,并且 %网络只有一个神经元的感知器神经网络 net=newp([-1 1;-1 1],1); net.trainParam.epochs = 20; %设置网络的最大训练次数为20次 net=train(net,P,T); %使用训练函数对创建的网络进行训练 Y=sim(net,P) %对训练后的网络进行仿真 E1=mae(Y-T) %计算网络的平均绝对误差,表示网络错误分类 Q=[-0.5 -0.5 0.3 0; -0.5 0.5 -0.5 1]; %检测训练好的神经网络的性能 Y1=sim(net,Q) %对网络进行仿真,仿真输出即为分类的结果 figure; %创建一个新的绘图窗口 plotpv(Q,Y1); %在坐标图中绘制测试数据 plotpc(net.iw{1},net.b{1}) %在坐标图中绘制分类线
相关文章推荐
- 神经网络学习(四)反向(BP)传播算法(2)-Matlab实现
- 深度学习算法实践9---用Theano实现多层前馈网络
- 深度学习笔记(二):简单神经网络,后向传播算法及实现
- Matlab 实现神经网络实例
- 三层神经网络自编码算法推导和MATLAB实现 (转载)
- 神经网络学习算法matlab应用分析
- 深度学习算法实践9---用Theano实现多层前馈网络
- 单层感知器 逻辑“或”运算学习算法 Matlab
- 学习记录 复杂网络模型的matlab实现
- 无监督学习之K-均值算法分析与MATLAB代码实现
- 深度学习基础模型算法原理及编程实现--06.循环神经网络
- Servlet(5)Servlet概念和servlet接口实现(学习Servlet生命周期函数)servlet的实例及其网络拓扑图
- C++ 语言实现 BP 神经网络实例,手把手一句一句敲代码实现训练学习,模式识别 - (1)
- 神经网络中的反向传播法算法推导及matlab代码实现
- 三层神经网络自编码算法推导和MATLAB实现
- 单层网络模型下对无监督特征学习算法的分析
- 小波学习之一(单层一维离散小波变换DWT的Mallat算法C++和MATLAB实现)
- 在matlab基础上简单实现一个神经网络算法
- 深度学习算法实践3---神经网络常用操作实现
- 深度学习基础模型算法原理及编程实现--09.自编码网络