基于ANN以使用有监督和无监督的学习将其分为不同的类别或识别模式（Matlab代码实现）

       目录

💥1 概述

📚2 运行结果

🎉3 参考文献

👨‍💻4 Matlab代码

---

💥1 概述

人工神经网络（ANN）在包括技术或统计在内的每一个分支中都变得越来越有用，以分析一些社会或非社会现象。一些技术专家表示，未来几年（从现在到2050年），人工智能将在医学、教育、工业等领域改变整个世界。这就是为什么开始学习IA是如何工作的重要原因，从神经网络开始，并了解如何实现简单和基本的知识，对我们大有裨益。

在这个存储库中，您可以找到一些ANN的实现，以使用有监督和无监督的学习（如Adaline、Hopfield、Multilayer和Simple Perceptron等）将其分成不同的类或识别模式​。

📚2 运行结果

主函数部分代码：

%Comenzamos limpiando la pantalla y todas las variables

clearvars

clc

%Pedimos los valores dados por el usuario para realizar el aprendizaje de

%una RNA Adaline de un codificador de binario a decimal de 3 bits sin bias

it_max = input ('Ingresa el numero mimo de iteraciones: ');

e_it = input ('Ingresa el valor al que deseas llegar la sel del error: ');

alpha = input ('Ingresa el valor de alfa: ');

%Asignamos valores aleatorios a la matriz de pesos W con la funci髇 rand

W = rand (1, 3);

W1 = zeros (1, 9);

W2 = zeros (1, 9);

W3 = zeros (1, 9);

fprintf ('\n\nLos valores iniciales de la matriz de pesos son: ')

disp (W);

errores = 0;

Pesos = figure('Name','Red Adaline - Matriz de Pesos','NumberTitle','off');

Error = figure('Name','Red Adaline - Sel del error','NumberTitle','off');

rango = 0:8;

W1 (1) = W (1);

W2 (1) = W (2);

W3 (1) = W (3);

Error_It = 0;

Error_Global = zeros (1, 9);

for j = 1:it_max

    %k serun 0 cada iteraci para convertir a binario

    k = zeros (1, 1);

    fprintf ('\n\n\nIteraci nero %d\n', j)

    %Comenzamos a realizar la propagaci髇 hacia adelante de todos los datos

    for i = 1:8

        

        %Convertimos a k a un nero binario de 3 bits

        p = dec2bin (k, 3);

        %Transponemos el vector, para que sea un vector columna

        p = p';

        %Conertimos los elementos a numero para realizar la multiplicaci​

        p = str2num (p);

        

        Error_Global (i) = Error_It;

        %Realizamos la multiplicacion de las matrices

        a = purelin (W * p);

        fprintf ('a = %.4f\n', a)

        %Obtenemos el error para este dato

        errores = (k - a);

        fprintf ('error = %.4f\n\n', errores)

        %Actualizamos el valor de la matriz de pesos

        W = W + ((2 * alpha * errores) * p');

        k = k + 1;

        

        %Actutalizamos los valores de los pesos

        W1 (i + 1) = W (1);

        W2 (i + 1) = W (2);

        W3 (i + 1) = W (3);

        

        %Actualizamos el valor del error

        Error_It = Error_It + ((1/8) * errores);

    end

🎉3 参考文献

[1]夏瑜潞.人工神经网络的发展综述[J].电脑知识与技术,2019,15(20):227-229.DOI:10.14004/j.cnki.ckt.2019.2271.

👨‍💻4 Matlab代码