BP网络进行模式识别 一道例题及答案

（题目为个人所做，由于水平有限，不能保证全部作对）
1.采用BP神经网络进行模式识别。

设计一个BP网络对附图中的英文字母进行分类。

输入向量含16个分量，输出向量分别用[1,-1,-1]T, [-1,1,-1]T,[-1,-1,1]T代表字符A, I，O。

采用不同的学习算法（traingd，traingdm ，traingdx，trainlm）进行比较。

并测试施加5%噪声与输入时的测试结果。

要求：给出matlab的源程序（可调用matlabNN工具箱），网络结构，初始权值，训练结果，测试结果。

题3 附图
3.1.traingd算法
源程序：P=[1 1 1 1 1 0 0 1 1 1 1 1 1 0 0 1;
0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0;
1 1 1 1 1 0 0 1 1 0 0 1 1 1 1 1]';
T=[1 -1 -1;-1 1 -1;-1 -1 1]';
net=newff(minmax(P),[5,3],{'tansig','logsig'},'traingd');
iw1=net.IW{1};
lw2=net.LW{2}
net.trainParam.epochs=5000;
net.trainParam.goal=0.01;
LP.lr=0.1;
net=train(net,P,T);
3.1.1网络结构
3.1.2初始权值
输入层到隐含层
3.1.3隐含层到输出层
3.1.4训练结果
3.1.55%噪声测试
P1=P+0.05*randn(16,3); sim(net,P1)
3.2 traingdm算法
只需对上个程序改动一点第五行替换为traingdm 3.2.1结果
3.2.2输入层到隐含层权值
隐含到输出的权值
3.3.35%的噪声测试
3.3traingdx
3.3.1结果
3.3.2权值
输入到隐含
隐含到输出
3．3．3 5%噪声测试
3．4trainlm算法3．4．1结果
3．4．2输入到隐含权值
隐含到输出权值
3．4．3 5%噪声测试。