感性认知神经网络的训练和学习

以BP神经网络为例：

%产生正弦样本
p = [0:0.2*pi:2*pi];
x = [0:pi/180:2*pi];
t = sin(2*x);

n=20;%设置BP网络隐含层的神经元数量
%BP网络创建,并绘制初始状态
net = newff(minmax(p),[n n 1],{'tansig' 'tansig' 'purelin'},'trainlm');
out_before = sim(net,x);

%给出训练参数，开始训练
net.trainParam.epochs =10;%次数
net.trainParam.goal = 0.01;%精度
net = train(net,x,t);
out_later= sim(net,x);
plot(x,t,'-',x,out_before,'--',x,out_later,'--',x,2*x,'-');

以上代码在matlab7.0上编辑测试的，BP（Back-Propagation） 网络即误差反向传播网络是应用广泛的神经网络模型，给以上代码配个应用题大概如下：以[0,2*pi]选择样本进行BP网络学习训练，目标函数是t=sin(2*x)；

       代码解释大概如下：（一）newff()函数的参数以英文逗号分隔，第一部分minmax是取特征向量的最小值与最大值（等距选择样本的设定笔者暂时不确定，在此不详述），第二部分设置输入层、隐层、输出层的神经元个数，第三部分设置神经元的特性函数（亦称激活函数、传递函数等），tansig为双曲正切的S型函数，purelin一般为输出层的线性传输函数，第四部分是训练方法，trainlm是梯度下降和牛顿法的结合；（二）sim函数则对输入进行仿真拟合，工具函数newff自然也可以设置最大收敛次数、训练精度，也可以设置每一层的权值、阀值（其中的理论知识有兴趣可以继续学习）等；最后输出的结果，由图可得，同样在[0,2*pi]的范围内，以pi/180为间隔的拟合曲线一般可以在最大训练次数之内符合收敛误差。

附记：好久没来CSDN看看了，年末写篇博客纪念下上一篇博客，哈哈！这里提到的BP神经网络仅仅只是在matlab里直观感性地认知下，可能连入门的水平都还没到，有些参数需要读者自己尝试修改，反复看结果来摸索参数的含义了，同样地感谢曾经给予过帮助的人，-->>还要感谢一本书 《人工智能技术导论》--廉师友编著