神经网络实验报告(附代码)

实验一：单层感知器的MATLAB设计与实现

1.实验要求：

P=[ ;

]

T=[ 1 1 1 0 0 1 1 1 0 0;

0 0 0 0 0 1 1 1 1 1 ]

试用MATLAB实现编程分类，并检验。

2、实验代码：

clc

clear

figure(gcf)

%setfsize(300,300)

echo on

pause % 键入任意键继续

clc

P = [+ + + + + + + ; ...

+ + + + + + + + ];

T = [1 1 1 0 0 1 1 1 0 0;

0 0 0 0 0 1 1 1 1 1];

pause % 键入任意键，绘制上述矢量

plotpv(P,T);

pause % 键入任意键，定义一个感知器神经元并绘制初始分类曲线net=newp([-2 1;-2 2],2);

='initlay';

{1}.initFcn='initwb';

{1,1}.initFcn='rands';

{1,1}.initFcn='rands';

{1}.initFcn='rands';

net=init(net);

echo off

k = pickic;

if k == 2

{1,1} = [ ; ];

{1}= [ ; ];

end

echo on

plotpc{1,1},{1})

pause % 键入任意键，训练感知器神经元

net=train(net,P,T);

{1,1}

pause % 键入任意键，绘制结果分类曲线

plotpv(P,T);

plotpc{1,1},{1});

pause % 键入任意键，检验训练后的感知器神经元

p = [; ];

a = sim(net,p)

echo off

clear

3、实验结果：

样本训练前赋初值分类

4、验证：

实验二：BP网络的拟合能力

1、实验要求：

用一个三层的多层BP网络实现对下面函数的拟合

π

-

=x

≤

yπ

sin(≤

x

x

0(

)1

12

))),

1(

sin(

4

要求：1、分析隐层神经元个数对拟合精度的影响

2、分析采样间隔（样本密度）对拟合精度的影响

3、比较trainlm、trainbp、trainbpx等在训练BP网时有什么不同（训练速度和精度等）

2、实验代码及结果：

实验代码参考例bpRBF1,只做如下修改：

（1）当隐层神经元个数变化时：从10变为30，取采样间隔为，用trainlm：

（2）当采样间隔发生变化时，从到，，神经元个数固定为30，用trainlm:

(3)当函数发生变化时：其他参数不变，从trainbp到trainbpx：

实验三：RBF网络的拟合能力

（1）实验要求：

用RBF网络实现对下面函数的拟合

π

-

=x

≤

yπ

sin(≤

x

x

)1

12

0(

))),

sin(

4

1(

要求：1、分析隐层神经元个数对拟合精度的影响

2、分析采样间隔（样本密度）对拟合精度的影响

σ的大小对拟合模型的精度和泛化能力的影响

3、讨论RBF网中参数2

（2）实验代码及结果：

（1）参数sc变化，从变为，取间隔为

（2）参数sc变化，从变为，取sc为

σ的大小对神经元的影响

（3）2