人工神经网络作业

B2=0.5*rand(OutDim,1)-0.1;
%初始化输出层与隐含层之间的阈值
ErrHistory=[];
%给中间变量预先占据内存
for i=1:MaxEpochs
HiddenOut=logsig(W1*SamIn+repmat(B1,1,SamNum)); % 隐含层网络输出
NetworkOut=W2*HiddenOut+repmat(B2,1,SamNum); % 输出层网络输出
% 他们是权值（阈值）依据能量函数负梯度下降原理所作的每一步动态调整量
Delta2=Error;
Delta1=W2'*Delta2.*HiddenOut.*(1-HiddenOut);
dW2=Delta2*HiddenOut';
dB2=Delta2*ones(SamNum,1);
dW1=Delta1*SamIn';
anew=postmnmx(anewn,mint,maxt)
k=1
if(anew(k)<0.2&&anew(k+1)<0.2&&anew(k+2)<0.2)
disp('检验通过');
else
disp('检验不通过');
end
人工神经网络作业二：
%matlab 源程序求解人工神经网络
clc
% 清屏
clear all;
[SamIn,minp,maxp,tn,mint,maxt]=premnmx(p,t); %原始样本对（输入和输出）初始化
rand('state',sum(100*clock)) %依据系统时钟种子产生随机数
NoiseVar=0.01;
%噪声强度为 0.01（添加噪声的目的是为了防止网络过度拟合）
Noise=NoiseVar*randn(1,SamNum); %生成噪声
Error=SamOut-NetworkOut;
% 实际输出与网络输出之差
SSE=sumsqr(Error)
%能量函数（误差平方和）
ErrHistory=[ErrHistory SSE];
if SSE<E0,break, end
%如果达到误差要求则跳出学习循环
% 以下六行是 BP 网络最核心的程序
%清除内存以便加快运算速度
close all;
%关闭当前所有 figure 图像
SamNum=20;
%输入样本数量为 20
TestSamNum=20;
%测试样本数量也是 20
ForcastSamNum=7;
%预测样本数量为 7
HiddenUnitNum=8;
%中间层隐节点数量取 8,比工具箱程序多了 1 个
E0=0.65*10^(-9);
%目标误差为 0.65*10^(-8)
W1=0.5*rand(HiddenUnitNum,InDim)-0.1; %初始化输入层与隐含层之间的权值
B1=0.5*rand(HiddenUnitNum,1)-0.1;
%初始化输入层与隐含层之间的阈值
W2=0.5*rand(OutDim,HiddenUnitNum)-0.1; %初始化输出层与隐含层之间的权值
Error=SamOut-NetworkOut;
% 实际输出与网络输出之差
SSE=sumsqr(Error)
%能量函数（误差平方和）
ErrHistory=[ErrHistory SSE];
if SSE<E0,break, end
%如果达到误差要求则跳出学习循环
% 以下六行是 BP 网络最核心的程序
NetworkOut=W2*HiddenOut+repmat(B2,1,TestSamNum); % 输出层输出最终结果
a=postmnmx(NetworkOut,mint,maxt);
% 还原网络输出层的结果
x=1:20;
% 样本轴刻度
newk=a(1,:);
% 网络输出除去率
figure ;
subplot(1,1,1);plot(x,newk,'r-o',x,cqulv,'b--+') %绘值去除率对比图；
W1=0.5*rand(HiddenUnitNum,InDim)-0.1; %初始化输入层与隐含层之间的权值
B1=0.5*rand(HiddenUnitNum,1)-0.1;
%初始化输入层与隐含层之间的阈值
W2=0.5*rand(OutDim,HiddenUnitNum)-0.1; %初始化输出层与隐含层之间的权值
B2=0.5*rand(OutDim,1)-0.1;
%初始化输出层与隐含层之间的阈值
ErrHistory=[];
%给中间变量预先占据内存
for i=1:MaxEpochs
HiddenOut=logsig(W1*SamIn+repmat(B1,1,SamNum)); % 隐含层网络输出
NetworkOut=W2*HiddenOut+repmat(B2,1,SamNum); % 输出层网络输出
%利用原始输入数据的归一化参数对新数据进行归一化；
HiddenOut=logsig(W1*pnewn+repmat(B1,1,ForcastSamNum)); % 隐含层输出预测结果
anewn=W2*HiddenOut+repmat(B2,1,ForcastSamNum);
% 输出层输出预测结果
%把网络预测得到的数据还原为原始的数量级；
cqulv=[50.2 59.5 58.8 66.2 65.5 64.5 73.6 76.4 78.5 79.2...
81.4 90.3 93.1 98.2 97.3 98.1 97.3 98.8 96.9 98.6];
p=[xiuyang;rukou]; %输入数据矩阵
t=[cqulv];
%目标数据矩阵
0.086 0.071 0.107 0.096 0.065 0.093 0.131];
%样本的相关数据；
pnewn=tramnmx(pnew,minp,maxp);
%利用原始输入数据的归一化参数对新数据进行归一化；
HiddenOut=logsig(W1*pnewn+repmat(B1,1,ForcastSamNum)); % 隐含层输出预测结果
legend('网络输出目标值','实际目标值');
xlabel('样本');ylabel('目标值');
% 利用训练好的网络进行预测
% 当用训练好的网络对新数据 pnew 进行预测时，也应作相应的处理
pnew=[1.24 1.28 1.4
1.8 1.84 2.04];
%样本的相关数据；
pnewn=tramnmx(pnew,minp,maxp);
SamNum=15;
%输入样本数量为 15
TestSamNum=15;
%测试样本数量也是 15
ForcastSamNum=3;
%预测样本数量为 3
HiddenUnitNum=8;
%中间层隐节点数量取 8,比工具箱程序多了 1 个
InDim=2;
%网络输入维度为 2
OutDim=1;
%网络输出维度为 1
SamOut=tn + Noise;
%将噪声添加到输出样本上
TestSamIn=SamIn;
%这里取输入样本与测试样本相同因为样本容量偏少
TestSamOut=SamOut;
%也取输出样本与测试样本相同
MaxEpochs=500000;
%最多训练次数为 500000
lr=0.035;
%学习速率为 0.035
%入口 UV254
rukou=[0.116 0.104 0.078 0.107 0.136 0.082 0.125 0.076 0.122...
0.092 0.081 0.068 0.077 0.108 0.128 0.063 0.135 0.07 0.126
0.087];
%UV254 去除率(%)
rand('state',sum(100*clock)) %依据系统时钟种子产生随机数
NoiseVar=0.01;
%噪声强度为 0.01（添加噪声的目的是为了防止网络过度拟合）
Noise=NoiseVar*randn(1,SamNum); %生成噪声
SamOut=tn + Noise;
%将噪声添加到输出样本上
NetworkOut=W2*HiddenOut+repmat(B2,1,TestSamNum); % 输出层输出最终结果
a=postmnmx(NetworkOut,mint,maxt);
% 还原网络输出层的结果
x=1:15;
% 样本轴刻度
newk=a(1,:);
% 网络输出目标值
figure ;
subplot(1,1,1);plot(x,newk,'r-o',x,cqulv,'b--+') %绘值目标值对比图；
作业一： 模型求解一：matlab 原程序求解人工神经网络问题：
anew = 0.1684 0.1717 0.1857 也就是说三只虫子都是属于 Af 源代码：
%matlab 源程序求解人工神经网络
clc
% 清屏
clear all;
%清除内存以便加快运算速度
close all;
%关闭当前所有 figure 图像
anewn=W2*HiddenOut+repmat(B2,1,ForcastSamNum);
% 输出层输出预测结果
%把网络预测得到的数据还原为原始的数量级；
anew=postmnmx(anewn,mint,maxt)
%原始数据
%翼长
xiuyang=[1.78 1.96 1.86 1.72 2 2 1.96 1.74 1.64 1.82 1.9 1.7 1.82
1.82 2.08];
%触角长
rukou=[1.14 1.18 1.2 1.24 1.26 1.28 1.3 1.36 1.38 1.38 1.38 1.4 1.48
1.54 1.56];
%目标值
cqulv=[0.9 0.9 0.9 0.1 0.9 0.9 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1];
p=[xiuyang;rukou]; %输入数据矩阵
t=[cqulv];
%目标数据矩阵
[SamIn,minp,maxp,tn,mint,maxt]=premnmx(p,t); %原始样本对（输入和输出）初始化
dB1=Delta1*ones(SamNum,1);
%对输出层与隐含层之间的权值和阈值进行修正
W2=W2+lr*dW2;
B2=B2+lr*dB2;
%对输入层与隐含层之间的权值和阈值进行修正
W1=W1+lr*dW1;
B1=B1+lr*dB1;
End
HiddenOut=logsig(W1*SamIn+repmat(B1,1,TestSamNum)); % 隐含层输出最终结果
InDim=2;
%网络输入维度为 2
OutDim=1;
%网络输出维度为 1
%原始数据
%臭氧浓度(mg/L)
xiuyang=[1.16 1.35 1.72 1.86 1.97 2.15 2.23 2.48 2.79...
2.85 3.07 3.45 3.59 3.8 3.93 4.14 4.46 4.55 4.84 5.03];
legend('网络输出 UV254 去除率(%)','UV254 去除率(%)');
xlabel('样本');ylabel('UV254 去除率(%)');
% 利用训练好的网络进行预测
% 当用训练好的网络对新数据 pnew 进行预测时，也应作相应的处理
pnew=[1.42 2.51 3.21 4.29 5.24 2.53 3.79
dB1=Delta1*ones(SamNum,1);
%对输出层与隐含层之间的权值和阈值进行修正
W2=W2+lr*dW2;
B2=B2+lr*dB2;
%对输入层与隐含层之间的权值和阈值进行修正
W1=W1+lr*dW1;
百度文库
B1=B1+lr*dB1;
end
HiddenOut=logsig(W1*SamIn+repmat(B1,1,TestSamNum)); % 隐含层输出最终结果
TestSamIn=SamIn;
%这里取输入样本与测试样本相同因为样本容量偏少
TestSamOut=SamOut;
%也取输出样本与测试样本相同
MaxEpochs=50000;
%最多训练次数为 50000
lr=0.035;
%学习速率为 0.035
E0=0.65*10^(-5);
%目标误差为 0.65*10^(-5)
% 他们是权值（阈值）依据能量函数负梯度下降原理所作的每一步动态调整量
Delta2=Error;
Delta1=W2'*Delta2.*HiddenOut.*(1-HiddenOut);
dW2=Delta2*HiddenOut';
dB2=Delta2*ones(SamNum,1);
dW1=Delta1*SamIn';