神经网络实验七.ppt

神经网络实验课件
实验七 广义回归神经网络与概率神经网络的设计
一、广义回归神经网络(GRNN)
１、GRNN网络结构
输入层 径向基神经元
线性层
一、广义回归神经网络(GRNN)
2、GRNN网络的设计 调用格式：
net = newgrnn(P,T,SPREAD) 功能描述：
设计一个GRNN网络 参数说明：
一、广义回归神经网络(GRNN)
一、广义回归神经网络(GRNN)
>> P2=0:0.1:9; >> A2=sim(net,P2); >> plot(P2,A2,'linewidth',4,'color',[1 0 0]); %绘制拟合曲线 >> title('函数逼近'); >> xlabel('P和P2'); >> ylabel('T和A2');
%画出测试结果
>> title('检测网络');
>> xlabel('P');
来自百度文库
>> ylabel('T和A');
一、广义回归神经网络(GRNN)
一、广义回归神经网络(GRNN)
>> p=3.5; >> a=sim(net,p); %对新的数据点进行仿真 >> plot(p,a,'+','markersize',10,'color',[1 0 0]); %画出测试点 >> xlabel('P和p'); >> ylabel('T和a');
二、概率神经网络(PNN)
>> for i=1:3,text(P(1,i)+0.1,P(2,i),… sprintf('class%g',Tc(i))),end
>> title('三个向量及类别'); >> xlabel('P(1,:)'); >> ylabel('P(2,:)');
二、概率神经网络(PNN)
二、概率神经网络(PNN)
9、春去春又回，新桃换旧符。在那桃花盛开的地方，在这醉人芬芳的季节，愿你生活像春天一样阳光，心情像桃花一样美丽，日子像桃子一样甜蜜。 2020/11/102020/11/10Tuesday, November 10, 2020
10、人的志向通常和他们的能力成正比例。2020/11/102020/11/102020/11/1011/10/2020 10:14:58 PM 11、夫学须志也，才须学也，非学无以广才，非志无以成学。2020/11/102020/11/102020/11/10Nov-2010-Nov-20 12、越是无能的人，越喜欢挑剔别人的错儿。2020/11/102020/11/102020/11/10Tuesday, November 10, 2020 13、志不立，天下无可成之事。2020/11/102020/11/102020/11/102020/11/1011/10/2020
二、概率神经网络(PNN)
%网络设计 >> T=ind2vec(Tc); %将类别指针转换为向量T >> spread=1; >> net=newpnn(P,T,spread); %测试网络 >> A=sim(net,P); >> Ac=vec2ind(A);
二、概率神经网络(PNN)
>> plot(P(1,:),P(2,:),'.','markersize',30); >> axis([0 3 0 3]); >> for i=1:3,text(P(1,i)+0.1,P(2,i),…
10,'color',[1 0 0]);
二、概率神经网络(PNN)
>> text(p(1)+0.1,p(2),… sprintf('class%g',ac));
>> hold off; >> title('对新向量分类'); >> xlabel('P(1,:)与p(1,:)'); >> ylabel('P(2,:)与p(2,:)');
P—Q个R维输入向量组成的R×Q矩阵. T—Q个S维期望输出向量组成的S×Q矩阵. SPREAD—径向基层的散布常数，缺省值为
1.
一、广义回归神经网络(GRNN)
例1：已知8个样本点，用GRNN网络对该样本进
行函数逼近
>> P=[1 2 3 4 5 6 7 8]; %输入变量值
>> T=[0 1 2 3 2 1 2 1]; %期望输出
sprintf('class%g',Ac(i))),end; >> title('网络测试结果'); >> xlabel('P(1,:)'); >> ylabel('P(2,:)');
二、概率神经网络(PNN)
二、概率神经网络(PNN)
%对新的向量分类 >> p=[2;1.5]; >> a=sim(net,p); >> ac=vec2ind(a); >> hold on; >> plot(P(1,:),P(2,:),'.','markersize',…
>> plot(P,T,'.','markersize',30);
%在坐标系中画出样本点
>> axis([0 9 -1 4]); %调整坐标平面显示区域
>> title(‘待逼近函数’); %图像标题
>> xlabel(‘P’);
%给横轴标注
>> ylabel('T');
%给纵轴标注
一、广义回归神经网络(GRNN)
一、广义回归神经网络(GRNN)
二、概率神经网络(PNN)
1、PNN网络的结构
输入层 径向基神经元
竞争层
二、概率神经网络(PNN)
2、PNN网络的设计 调用格式：
net = newpnn(P,T,SPREAD) 功能描述：设计一个PNN网络 参数说明：
P—Q个R维输入向量组成的RxQ矩阵. T—Q个S维期望输出向量组成的SxQ矩阵. SPREAD—径向基层的散布常数,缺省值 为1.
一、广义回归神经网络(GRNN)
>> spread=0.7;
%确定散布常数
>> net=newgrnn(P,T,spread); %设计网络
>> A=sim(net,P);
%网络仿真
>> hold on;
>> outputline=plot(P,A,'O','markersize',10, …
'color',[1 0 0]);
二、概率神经网络(PNN)
例2：已知三组二维向量 P=[1 2; 2 2; 1 1]
以及其相对应的三个类别 Tc=[1 2 3]
构建一个PNN网络实现对输入向量进 行正确分类。
二、概率神经网络(PNN)
%绘制出输入向量及其类别 >> P=[1 2;2 2;1 1]'; >> Tc=[1 2 3]; >> plot(P(1,:),P(2,:),'.','markersize',30); >> axis([0 3 0 3]);