prod和probor在matlab,matlab补充教程分析.ppt

* * 张秦艳 y1=sim(net,x) y2=sim(net1,x) figure; plot(x,y,'+',x,y1,'*',x,y2,'--') title('原函数与网络训练前后的仿真结果比较') xlabel('x');ylabel('y'); text(2,12,'+ 原函数y'); text(2,11,'* 未训练前网络的仿真结果y1') text(2,10,'--训练后网络的仿真结果y2') * * 张秦艳 * * 张秦艳 Hopfield神经网络结构 P R1X1 R1 Initial Conditions a1(0) LW1,1 + b1 1 n1 S1X1 S1X1 S1XR1 a(k) S1X1 S1 a(k-1) D Symmetric saturated linear layer a(0)=P and then for k=1,2,… a(k)=satlin(LW1,1a(k-1)+b1 * * 张秦艳 例5(3p156) 考虑一个具有两个神经元的Hopfield神经网络。每个神经元有一个阈值和一个权重，这样刚好与具有两个元素的输入向量相匹配。 设存储在网络中的目标平衡点为 T=[1 -1;-1 1] %T = % 1 -1 % -1 1 * * 张秦艳 plot(T(1,:),T(2,:),'r*'); axis([-1.1 1.1 -1.1 1.1]); title('Hopfield 神经网络状态空间'); xlabel('a(1)'); ylabel('a(2)'); * * 张秦艳 %建立网络，并得到权重和阈值 net=newhop(T); W=net.LW{1,1} %W = % 0.6925 -0.4694 % -0.4694 0.6925 b=net.b{1,1} %b = % 0 % 0 %使用原始平衡点仿真网络 [Y,Pf,Af]=sim(net,2,[],T); Y %Y = % 1 -1 % -1 1 * * 张秦艳 %使用一个随机点仿真网络，并绘出其到达稳定点的轨迹 a={rands(2,1)};%随机生成2*1维的cell array [Y,Pf,Af]=sim(net,{1 20},{},a); figure; plot(T(1,:),T(2,:),'r*'); axis([-1.1 1.1 -1.1 1.1]); xlabel('a(1)'); ylabel('a(2)'); record=[cell2mat(a) cell2mat(Y)]; start=cell2mat(a);%把多维的cell array变成矩阵 hold on plot(start(1,1),start(2,1),'bx',record(1,:),record(2,:)); * * 张秦艳 * * 张秦艳 %用多个随机点仿真网络，并绘出相应的轨迹 figure; color='rgbmy';%green,red,blue,magenta,yellow.表示的是颜色 axis([-1.1 1.1 -1.1 1.1]); xlabel('a(1)'); ylabel('a(2)'); title('Hopfield 神经网络状态空间'); hold on for i=1:25 a={rands(2,1)}; [Y,Pf,Af]=sim(net,{1 20},{},a); record=[cell2mat(a) cell2mat(Y)]; start=cell2mat(a); plot(start(1,1),start(2,1),'kx',record(1,:),record(2,:), color(rem(i,5)+1)); %rem是求余数 drawnow end * * 张秦艳 * * 张秦艳 %给网络指定特殊初始权重进行仿真，得到相应的轨迹 figure; plot(T(1,:),T(2,:),'r*'); axis([-1.1 1.1 -1.1 1.1]); title('Hopfield 神经网络状态空间'); xlabel('a(1)'); ylabel('a(2)'); hold on plot(0,0,‘ko’);%在(0,0)画黑色o P=[-1.0 -0.5 0.0 0.5 1.0;-1.0 -0.5 0.0 0.5 1.0]; color='rgbmy'; for i=1:5 a={P(:,i)}; [Y,Pf,Af]=sim(net,{1 50},{},a); record=[cell2mat(a) cell