常见的几种神经网络ppt课件

3.感知器神经网络仿真设计分析


①newp函数
功能：用于创建一个感知器网络。
格式：net=newp（PR,S,TF,LF） 说明：



net为生成的感知器神经网络； PR为一个R×2的矩阵，有R组输入向量中的最大和最小值组成； S表示神经元的个数； TF表示感知器的激活函数 ，默认值为硬限幅激活函数handlim； LF表示网络的学习函数，默认值为learnp。
2.感知器的局限性
①感知器神经网络的传输函数一般采用阈值函数，所 以输出值只能取0或1； ②感知器神经网络只能对线性可分的向量集合进行分
类。理论上已经证明，只要输入向量是线性可分的， 感知器在有限的时间内总能达到目标向量。
③当感知器神经网络的所有输入样本中存在奇异的样
本时，即该样本向量同其它所有样本向量比较起来特 别大或特别小时，网络训练花费的时间将很长。


Y为网络的输出向量； Pf为训练终止时的输入延迟状态； Af为训练终止时的层延迟状态； E为误差向量； perf为网络的性能值； NET为要测试的网络对象； P为网络的输入向量矩阵； Pi表示初始输入延时，默认值为0； Ai表示初始的层延时，默认值为0；T为网络的目标矩阵（可省略）。 Q为批处理数据的个数； TS为网络仿真的时间步数。
3.感知器神经网络仿真设计分析
⑤plotpc函数 功能：在存在的图上绘制出感知器分类线函数。 格式：plotpc(W,B) plotpc(W,B,H) 说明：


plotpc(W,B)对含权矩阵W和阈值矩阵B的硬特性神 经元的两个或三个输入画一个分类线。这一函数返回 分类线的句柄以便以后调用。
3.感知器神经网络仿真设计分析

例1 给定样本输入向量P，目标向量T及需要进行分
类的输入向量组Q，设计一个单层感知器，对其进行 分类。



P=[-0.6 -0.7 0.8;0.9 0 1]; %输入向量 T=[1 1 0]; %目标向量 net=newp([-1 1;-1 1],1); %初始化感知器网络 net.trainParam.epochs=15; %设置训练次数最大为15 net=train(net,P,T); %训练感知器网络 Q=[0.5 0.8 -0.2;-0.2 -0.6 0.6]; %给定输入向量 Y=sim(net,Q); %仿真结果 plotpv(Q,Y) ; %绘制分类结果 h=plotpc(net.iw{1},net.b{1}) %绘制分类线 可见，经过两次训练后，网络目标误差达到要求。
3.感知器神经网络仿真设计分析
②train函数 功能：神经网络训练函数。 格式：[net,tr,Y,E,Pf,Af]=train(NET,P,T,Pi,Ai,VV,TV) 说明：net为训练后的网络； 网络训练函数是一种 tr为训练记录； Y为网络的输出向量； 通用的学习函数，训 E为误差向量； 练函数重复地把一组 Pf为训练终止时的输入延迟状态； 输入向量应用到一个 Af为训练终止时的层延迟状态； 网络上，每次都更新 NET为训练前的网络； P为网络的输入向量矩阵； 网络，直到达到了某 T为网络的目标矩阵，默认值为0； 种准则，停止准则可 Pi表示初始输入延时，默认值为0； 能是达到最大的学习 Ai表示初始的层延时，默认值为0； 步数、最小的误差梯 VV为验证矢量（可省略）； 度或误差目标等。 TV为测试向量（可省略）。

3.感知器神经网络仿真设计分析
③sim函数 功能：对网络进行仿真。 格式：[Y,Pf,Af,E,perf]=sim(NET,P,Pi,Ai,T) [Y,Pf,Af,E,perf]=sim(NET,{Q,TS},Pi,Ai,T) [Y,Pf,Af,E,perf]=sim(NET,Q,Pi,Ai,T) 说明：

plotpc(W,B,H)包含从前的一次调用中返回的句柄。
它在画新分类线之前，删除旧线。
3.感知器神经网络仿真设计分析


⑥mae函数
功能：平均绝对误差性能函数。 格式：perf=mae(E,X,Y,FP) info=mae(code) 说明：perf表示平均绝对误差和；



E为误差矩阵或向量（网络的目标向量和输出向量之差）； X为所有权值（可忽略）； Y为阈值向量（可忽略）； FP为性能参数（可忽略）。 mae(code)则可根据code的不同，返回不同信息， 包括： deriv：返回导数函数的名称。 name：返回函数全称。 pnames：返回训练函数的名称。 pdefaults：返回默认的训练参数。

3.感知器神经网络仿真设计分析
④plotpv函数 功能：绘制样本点的函数。 格式：plotpv(P,T) plotpv(P,T,V) 说明：



P定义了n个2或3维的样本，是一个2xn维或3xn维的矩阵； T表示个样本点的类别，是一个n维的向量； V=[x_min y_min x_max y_max]为一设置绘图坐标值范围的向量； 利用plotpv函数可以在坐标图中会出给定的样本样本点及其类别， 不同的类别使用不同的符号。例如，如果T只含一元向量，则目标为 0的输入向量在坐标图中用“o”表示；目标为1的输入向量在坐标图 中用“+”表示。如果T含二元向量,则输入向量在坐标图中采用的符号 分别为：[0 0]用“o”表示；[0 1]用“+”表示；[1 0]用“*”表示；[1 1]用“×”表示。
二、线性神经网络
常见的几种神 经网络
一、感知器神经网络
输入 神经元
感知器神经元的一般模型
1.感知器的学习

感知器的学习是有导师学习方式。

感知器的训练算法的基本原理来源于著名的Hebb学
习律。
基本思想：逐步地将样本集中的输入到网络中,根据 输出结果和理想输出之间的差别来调整网络中的权矩

阵。

最百度文库用的功能：对输入向量进行分类。