神经网络---learnwh实现直线拟合

%leamwh 是 Widrow-Hoff规则（LMS算法）的学习函数
%先生成加了噪声的线性函数
P=-5:5;
d=3*P-7;
randn('state',2);
d=d+randn(1,length(d))*1.5;
figure(1);plot(P,d,'ro');
%循环迭代
P=[ones(1,length(d));P]
Max = 150;
lp.lr=0.01;
ep1=0.1  %均方差终止阈值
ep2=0.0001 %权值变化终止阈值
w=[0,0];
for i=1:Max
   fprintf('第 %d 次迭代：\n',i); 
    e=d-pureline(w*P); %求得误差向量
    ms(i)=mse(e);
    oms=ms(i)
    if(ms(i)<ep1)
         fprintf('均方差小于指定的值而停止');
         break;
    end
    dw=learnwh([],P,[],[],[],[],e,[],[],[],lp,[])
     if(norm(dw)<ep2)
         fprintf('权值变化小于指定的值而停止');
         break;
     end
     w =w+dw;
end
figure(2);
subplot(2,1,1);
plot(P(2,:),d,'o');
title('离散点与直线拟合结果');
xlabel('x');ylabel('y');
axis([-6,6,min(d)-1,max(d)+1]);
x1=-5:0.1:5;
y1=w(1)+w(2)*x1;
hold on; plot( x1,y1);
subplot(2,1,2);
x2=1:i;
semilogy(x2,ms(x2),'-o');
xlabel('迭代次数');ylabel('MSE');
title('均方差下降曲线');