matlab神经网络工具箱简介和函数及示例课件

《matlab神经网络工具箱简介和函数及示例课件》由会员分享，可在线阅读，更多相关《matlab神经网络工具箱简介和函数及示例课件（24页珍藏版）》请在装配图网上搜索。

1、matlab神经网络工具箱简介和函数及示例1人人 工工 智智 能能光电学院常敏E-mail： matlab神经网络工具箱简介和函数及示例2第十一章第十一章 神经网络工具神经网络工具箱函数箱函数matlab神经网络工具箱简介和函数及示例3MATLABMATLAB的神经网络工具箱简介的神经网络工具箱简介l 构造典型神经网络的激活函数，使设计者对所选构造典型神经网络的激活函数，使设计者对所选网络输出的计算变成对激活函数的调用。网络输出的计算变成对激活函数的调用。l 根据各种典型的修正网络权值的规则，再加上网根据各种典型的修正网络权值的规则，再加上网络的训练过程，利用络的训练过程，利用matlabma

2、tlab编写各种网络设计和训练编写各种网络设计和训练的子程序。的子程序。l 设计人员可以根据自己的需要去调用工具箱中有设计人员可以根据自己的需要去调用工具箱中有关的设计和训练程序，将自己从繁琐的编程中解脱出关的设计和训练程序，将自己从繁琐的编程中解脱出来，提高工作效率。来，提高工作效率。matlab神经网络工具箱简介和函数及示例4神经网络工具箱函数神经网络工具箱函数l 神经网络函数神经网络函数l 权值函数权值函数l 网络的输入函数网络的输入函数l 传递函数传递函数l 初始化函数初始化函数l 性能函数性能函数l 学习函数学习函数l 自适应函数自适应函数l 训练函数训练函数matlab神经网络工具

3、箱简介和函数及示例5神经网络函数神经网络函数newffnewff功能：功能： Create a feed-forward backpropagation Create a feed-forward backpropagation networknetwork格式：格式： net = newff(PR,S1 net = newff(PR,S1 S2.SNl,TF1.TFNl,BTF,BLF,PF)S2.SNl,TF1.TFNl,BTF,BLF,PF)matlab神经网络工具箱简介和函数及示例6例子例子1:1: help newff help newff matlab神经网络工具箱简介和函数及示例

4、7 以一个单隐层的以一个单隐层的BPBP网络设计为例，介绍利用神经网络设计为例，介绍利用神经网络工具箱进行网络工具箱进行BPBP网络设计及分析的过程网络设计及分析的过程1. 1. 问题描述问题描述P=-1:0.1:1;T=-0.9602 -0.577 -0.0729 0.3771 0.6405 0.6600 0.4609 0.1336 -0.2013 -0.4344 -0.5000 -0.3930 -0.1647 0.0988 0.3072 0.3960 0.3449 0.1816 -0.0312 -0.2189 -0.3201; 通过对函数进行采样得到了网络的输入变通过对函数进行采样得到了网

5、络的输入变量量P P和目标变量和目标变量T T：例子例子2:2:设计一个隐含层神经元数目神经元个数设计一个隐含层神经元数目神经元个数matlab神经网络工具箱简介和函数及示例82. 2. 网络的设计网络的设计 网络的输入层和输出层的神经元个数均为网络的输入层和输出层的神经元个数均为1 1，网，网络的隐含神经元个数应该在络的隐含神经元个数应该在3838之间。之间。网络设计及运行的代码：网络设计及运行的代码：s=3:8;s=3:8;res=1:6;res=1:6;for i=1:6; net=newff(minmax(P),s(i) for i=1:6; net=newff(minmax(P),s

6、(i) 1,tansig logsig,traingdx);1,tansig logsig,traingdx); net.trainParam.epochs=2000; net.trainParam.epochs=2000; net.trainParam.goal=0.001; net.trainParam.goal=0.001; net=train(net,P,T) net=train(net,P,T) y=sim(net,P) y=sim(net,P) error=y-T; error=y-T; res(i)=norm(error); res(i)=norm(error);endendma

7、tlab神经网络工具箱简介和函数及示例9代码运行结果：代码运行结果：网络训练误差网络训练误差结论：隐含层节点设为结论：隐含层节点设为8 8 matlab神经网络工具箱简介和函数及示例10BPBP网络训练步骤网络训练步骤步骤步骤1:1: 初始化初始化步骤步骤2:2:计算网络各层输出矢量计算网络各层输出矢量步骤步骤3:3:计算网络各层反向传播的误差变化计算网络各层反向传播的误差变化, ,并计算各并计算各 层权值的修正值及修正值层权值的修正值及修正值步骤步骤4:4:再次计算权值修正后的误差再次计算权值修正后的误差 平方和平方和步骤步骤5:5:检查误差检查误差 平方和是否小于平方和是否小于 误差期望值

8、误差期望值, ,若是若是, ,停止训练停止训练, ,否则继续否则继续. .matlab神经网络工具箱简介和函数及示例11 目前，神经网络工具箱中提供的神经网络模型主目前，神经网络工具箱中提供的神经网络模型主要应用于：要应用于：l 函数逼近和模型拟合函数逼近和模型拟合l 信息处理和预测信息处理和预测l 神经网络控制神经网络控制l 故障诊断故障诊断matlab神经网络工具箱简介和函数及示例12神经网络实现的具体操作过程：神经网络实现的具体操作过程：确定信息表达方式；确定信息表达方式；网络模型的确定；网络模型的确定；网络参数的选择；网络参数的选择；训练模式的确定；训练模式的确定；网络测试网络测试ma

9、tlab神经网络工具箱简介和函数及示例13确定信息表达方式：确定信息表达方式： 将领域问题抽象为适合于网络求解所能接受的将领域问题抽象为适合于网络求解所能接受的某种数据形式。某种数据形式。 问题形式的种类：问题形式的种类：l 数据样本已知；数据样本已知；l 数据样本之间相互关系不明确；数据样本之间相互关系不明确；l 输入输入/ /输出模式为连续的或者离散的；输出模式为连续的或者离散的；l 输入数据按照模式进行分类，模式可能会输入数据按照模式进行分类，模式可能会具有平移、旋转或者伸缩等变化形式；具有平移、旋转或者伸缩等变化形式；l 数据样本的预处理；数据样本的预处理；l 将数据样本分为训练样本和

10、测试样本将数据样本分为训练样本和测试样本matlab神经网络工具箱简介和函数及示例14网络模型的确定网络模型的确定 主要是根据问题的实际情况，主要是根据问题的实际情况，选择模型的类选择模型的类型、结构型、结构等。另外，还可以在典型网络模型的基等。另外，还可以在典型网络模型的基础上，结合问题的具体情况，础上，结合问题的具体情况，对原网络进行变形、对原网络进行变形、扩充等扩充等，同时，同时还可以采用多种网络模型的组合形还可以采用多种网络模型的组合形式式。网络参数的选择网络参数的选择 确定网络的输入输出神经元的数目，如果是确定网络的输入输出神经元的数目，如果是多层网络，还需要进一步确定隐含层神经元的

11、个多层网络，还需要进一步确定隐含层神经元的个数。数。matlab神经网络工具箱简介和函数及示例15训练模式的确定训练模式的确定 包括选择合理的测试样本，对网络进行测包括选择合理的测试样本，对网络进行测试、或者将网络应用于实际问题，检验网络性试、或者将网络应用于实际问题，检验网络性能。能。网络测试网络测试 选择合理的测试样本，对网络进行测试，选择合理的测试样本，对网络进行测试，或者将网络应用于实际问题，检验网络性能。或者将网络应用于实际问题，检验网络性能。matlab神经网络工具箱简介和函数及示例16MATLABMATLAB的神经网络工具箱函数的神经网络工具箱函数函数类型函数类型函数名函数名称称

12、函数用途函数用途仿真函数仿真函数SIM针对给定的输入，得到网络输出训练函数训练函数train调用其它训练函数，对网络进行训练trainh对权值和阈值进行训练adapt自适应函数学习函数learn网络权值和阈值的学习初始化函数int对网络进行初始化intlay对多层网络初始化通用函数通用函数matlab神经网络工具箱简介和函数及示例17函数类型函数类型函数名函数名称称函数用途函数用途输入函数输入函数netsum输入求和函数netprcd输入求积函数 concur使权值向量和阈值向量的结构一致其它dotprod权值求积函数matlab神经网络工具箱简介和函数及示例18BPBP网络的神经网络工具箱函

13、数网络的神经网络工具箱函数函数类型函数类型函数名称函数名称 函数用途函数用途前向网络创建函数 传递函数学习函数matlab神经网络工具箱简介和函数及示例19函数类型函数类型函数名函数名称称函数用途函数用途性能函数性能函数显示函数matlab神经网络工具箱简介和函数及示例20一、一、BPBP网络创建函数网络创建函数 1 1）newcfnewcf 用于创建级联前向用于创建级联前向BPBP网络网络调用格式：调用格式：net=newcf net=newcf net=newcfnet=newcf（PR,S1 S2.SN,TF1 PR,S1 S2.SN,TF1 TF2.TFN,BTF,BLF,PFTF2.

14、TFN,BTF,BLF,PF）PR:PR:由每组输入（共有由每组输入（共有R R组输入）元素的最大值和最小值组组输入）元素的最大值和最小值组成的成的R R* *2 2维的矩阵维的矩阵SiSi：第第i i层的长度，共计层的长度，共计N N层；层； TFiTFi：第第i i层的传递函数，默认为层的传递函数，默认为“tansig”tansig”BTFBTF：BPBP网络的训练函数，默认为网络的训练函数，默认为“trainlm”trainlm”BLFBLF：权值和阈值的权值和阈值的BPBP学习算法，默认为学习算法，默认为learngdm learngdm PFPF：网络的性能函数，默认为网络的性能函数

15、，默认为“mse”mse”matlab神经网络工具箱简介和函数及示例21l 参数参数TFiTFi可以采用任意的可微传递函数，比如可以采用任意的可微传递函数，比如transigtransig，logsiglogsig和和purelinpurelin等；等；l 训练函数可以是任意的训练函数可以是任意的BPBP训练函数，如训练函数，如trainmtrainm，trainbfgtrainbfg，trainrptrainrp和和traingdtraingd等。等。BTFBTF默认采用默认采用trainlmtrainlm是因为函数的速是因为函数的速度很快，但该函数的一个重要缺陷是运行过程会消耗大量的度很快

16、，但该函数的一个重要缺陷是运行过程会消耗大量的内存资源。如果计算机内存不够大，不建议用内存资源。如果计算机内存不够大，不建议用trainlmtrainlm，而建，而建议采用训练函数议采用训练函数trainbfgtrainbfg或或trainrptrainrp。虽然这两个函数的运行。虽然这两个函数的运行速度比较慢，但它们的共同特点是内存占用量小，不至于出速度比较慢，但它们的共同特点是内存占用量小，不至于出现训练过程死机的情况。现训练过程死机的情况。说明：说明：matlab神经网络工具箱简介和函数及示例22二、神经元上的传递函数二、神经元上的传递函数 传递函数是传递函数是BPBP网络的重要组成部分

17、，必须是连续可网络的重要组成部分，必须是连续可微的，微的，BPBP网络常采用网络常采用S S型的对数或正切函数和线性函数。型的对数或正切函数和线性函数。Logsig Logsig 传递函数为传递函数为S S型的对数函数。型的对数函数。调用格式为：调用格式为：A=logsigA=logsig（N N） N N：Q Q个个S S维的输入列向量；维的输入列向量；A A：函数返回值，位于区间：函数返回值，位于区间(0,1) (0,1) 中中matlab神经网络工具箱简介和函数及示例23 info=logsiginfo=logsig（codecode）依据依据codecode值的不同返回不同的信息，包括

18、：值的不同返回不同的信息，包括：derivderiv返回微分函数的名称；返回微分函数的名称；namename返回函数全程；返回函数全程；outputoutput返回输出值域；返回输出值域；activeactive返回有效的输入区间返回有效的输入区间例如：例如：n=-10n=-10：0.1: 10;0.1: 10;a=logsig(n);plot(n,a)a=logsig(n);plot(n,a)matlabmatlab按照来计算对数传递函数的值：按照来计算对数传递函数的值：n=2/(1+exp(-2n)n=2/(1+exp(-2n)函数函数logsiglogsig可将神经元的输入（范围为整个实

19、数集）映射可将神经元的输入（范围为整个实数集）映射到区间（到区间（0 0，1 1）中。）中。matlab神经网络工具箱简介和函数及示例24learngd learngd 该函数为梯度下降权值该函数为梯度下降权值/ /阈值学习函数，通过神经阈值学习函数，通过神经元的输入和误差，以及权值和阈值的学习速率，元的输入和误差，以及权值和阈值的学习速率，来计算权值或阈值的变化率。来计算权值或阈值的变化率。三、三、BPBP网络学习函数网络学习函数 dW,ls=learngd(W,P,Z,N,A,T,E,gW,gA,D,LP,LdW,ls=learngd(W,P,Z,N,A,T,E,gW,gA,D,LP,LS)S)调用格式调用格式; ;