感知器与BP神经网络的应用

最新推荐文章于 2024-04-07 10:15:06 发布

Wenqi~

最新推荐文章于 2024-04-07 10:15:06 发布

阅读量514

点赞数

文章标签：计算智能

本文链接：https://blog.csdn.net/WWQ0726/article/details/101697953

版权

本文详细介绍了感知机的生成、初始化、仿真、学习规则和训练过程，包括net=newp(pr,s,tf,lf)、init、sim、learnp和train等函数的使用。接着，讨论了BP神经网络，并展示了训练结果和适应性训练的过程。" 112119346,10553159,Vue Router 路由守卫：token获取与存储实践,"['前端开发', 'Vue', 'Vuex', 'Authentication', '路由管理']

摘要由CSDN通过智能技术生成

一.感知机
1.生成网络——newp
调用格式：net=newp(pr,s,tf,lf)
功能描述：用于生成可以解决线性可分问题的感知机
参数说明：pr：给出r个输入变量的最大值及最小值的r*2的矩阵
s：神经元的数目 tf:传递函数，可以为‘hardlim’或‘hardlims’，默认为’hardlim’ lf:学习函数，可以为’learnp’或‘learnpn’,默认为‘learnp’
net:生成的感知机
注：生成的网络初始权值和阈值均为0，要想改变初始权值和阈值可以使用赋值语句
net.IW{…}={…} net.b={…}={…}
2.网络初始化——init
调用格式：net=init(net)
功能描述：将神经网络的权值和阈值复原回初始值或将网络的权值和阈值赋予随机数
输入下列命令可以改变网络的权值和阈值为随机数：
net.inputweights{1,1}.initFcn=‘rands’;net.biases{1}.initFcn=‘rands’;net.init(net);
3.神经网络仿真——sim
调用格式：Y=sim(net,P);
功能描述：神经网路仿真工具，用于验证网络的训练效果
参数说明：net-已经生成的神经网络 P-网络输入 Y-网络输出
4.学习规则——learnp
感知器的学习规则如下：设输入向量为p，相应的期望输出为t，对应的网络输出为a。期望值与实际输出值的差值称为学习e=t-a误差，感知器的权值和阈值修正公式为△w(i,j)=[t(i)-a(i)]*p(j)=e(i)*p(j)ÿ