神经网络试验演示文稿

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：
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。 三.网络设计 . 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。 绘制隐层神经元径向基传递函数的曲线， 如图：
输入样本数据
实验结果
程序代码
include<iostream> #include<fstream> using namespace std; int main() { double d[3]={-1,-1,1}; double w[4][1]={{0.5},{1},{-1},{0}};//初始权向量 double anta=0.1; double netj; double x[5][4],o[3]; int i,j,k; ifstream infile("f1.txt",ios::in); if(!infile) { cerr<<"open error!"<<endl; exit(1); } for(j=0;j<3;j++) { for(i=0;i<4;i++) { infile>>x[i][j]; infile.ignore(); } }
for(i=0;i<4;i++) { w[i][0]=w[i][0]+anta*(d[k]-o[k])*x[i][k]; cout<<w[i][0]<<','; } cout<<endl; ++k; }
if((d[0]==o[0])&&(d[1]==o[1])&&(d[2]==o[2])) { cout<<"(d[0]==o[0])&&(d[1]==o[1])&&(d[2]==o[2])"<<endl; break; } } infile.close(); return 0; }
实验二.径向神经网络实验
一.实验目的：
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。
二.问题的提出
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.
P=-1:0.1:1; T=[-0.9602 -0.5770 -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];
实验一单层感知器
1.感知器模型
o
W
1
1
…
W
j
o
j
…
W
m
o
m
○ ○
x
○ ○
○ ○
○
x
1
2
…
x
i
…
x
n
2.感知器的学习算法
X = ( x1,x2 ,...xi ,...,xn )T
O = (o1,o2 ,...oi ,...,om )T
W j = ( w1 j ,w2 j ,...wij ,...,wnj )
三.网络测试
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：
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！
for(j=0;j<3;j++)//输出的3个样本 { for(i=0;i<4;i++) { cout<<x[i][j]<<" "; } } cout<<endl; while(true) { k=0; while(k<3) { netj=0; for(i=0;i<4;i++) { netj+=w[i][0]*x[i][k]; } cout<<netj<<endl; if(netj>=0) { o[k]=1; } else { o[k]=-1; } cout<<d[k]<<';'<<o[k]<<endl;
T
j=1,2,…,m
净输入： 净输入： net
j
=
n
∑
wiLeabharlann 1ijxin
(2.1)
输出： 输出：
o j = sgn ( net j − T j ) = sgn (
∑
w ij x i ) = sgn (W T X ) j
i=0
(2.2)
式中，当实际输出与期望值相同时， 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有导师学习。 调整。感知器学习规则代表一种有导师学习。
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。
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。 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. eg=0.02; sc=1; net=newrb(P,T,eg,sc); NEWRB,neurons=0,SSE=3.69051