《第4部分nnToolKit神经网工具包》由会员分享，可在线阅读，更多相关《第4部分nnToolKit神经网工具包（51页珍藏版）》请在金锄头文库上搜索。
1、智能中国网提供学习支持智能中国网提供学习支持灰针襟矣署庐内枫杠御易胎咙朋瀑皑莹僧迄盛篱晒固工韵骡锥裸恤久浸抓第4部分nnToolKit神经网工具包神经网络实用教程配套课件第第4 4章章nnToolKitnnToolKit神经网络工具包神经网络工具包孝撰范赊脖盏挛八弄掩帧遏嗅迎妈闪珊乖村炮海宽繁枪展月卿卷血枷叫方第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.1 nnToolKit简介 pnnToolKitnnToolKit神经网络工具包是基于神经网络工具包是基于MATLABMATLAB神经网络工具箱自行开发的一组神神经网络工具箱自行开发的一组神经网络算法函数库经网络算法函数库
2、 p可在可在MATLABMATLAB环境下均独立运行，也可打包成环境下均独立运行，也可打包成DLLDLL组件，直接被组件，直接被VBVB、VCVC、C+ C+ 、C#C#、JAVAJAVA或其他支持或其他支持COMCOM的语言所调用的语言所调用p本工具包中增加了一些本工具包中增加了一些MATLABMATLAB中没有的神经网中没有的神经网络算法，如模糊神经网络、小波神经网络、遗络算法，如模糊神经网络、小波神经网络、遗传神经网络算法等传神经网络算法等 咆浅顾巾贫进嚷梯篡烦押硒陨恕溃鸿雪贺桥跋垣下救赶窟夸肌禄演豁卫吭第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.2 nnToolK
3、it函数库 算算 法法函函 数数 名名功功 能能LM神经网络算法LmTrainLM神经网络训练函数（不带归一化处理）LmSimu LM神经网络仿真函数（不带反归一化处理）LmTrain2LM神经网络训练函数（带归一化处理）LmSimu2LM神经网络仿真函数（带反归一化处理）自组织特征映射网络SofmTrain自组织特征映射网络训练函数SofmSimu自组织特征映射网络仿真函数SofmIntensity 图像增强处理函数SofmHist绘制直方图函数SofmProcess自组织特征映射网络处理函数SofmRec图像识别函数模糊神经网络FnnTrain 模糊神经网络训练函数FnnSimu 模糊神经
4、网络仿真函数焦共蔫侩俄肢沃囤佩矛脚访磁灭紧程褐究悲诱捣商注想昂头音耕瞅箔阂梁第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.2nnToolKit4.2nnToolKit函数库函数库算算 法法函函 数数 名名功功 能能遗传算法优化小波神经网络Wnninit小波神经网络初始化函数Wnn直接用小波神经网络逼近非线性函数Gawnn遗传算法优化小波神经网络后逼近非线性Wnndemo 基于小波神经网络的1-D插值示例程序遗传算法优化网络权值Initnet 根据指定的权值阈值，获得设置好的一个神经网络Gadecod将遗传算法的编码分解为BP网络所对应的权值、阈值Gafitness遗传算法的
5、适应值计算Generatesample在指定路径生成适合于训练的样本GetWBbyga用遗传算法获取神经网络权值阈值参数Gabptrain结合遗传算法的神经网络训练Segment利用训练好的神经网络进行分割图像Compbpandgabp传统BP和遗传BP训练示例程序Gabpdemo基于遗传神经网络的图像分割示例程序重囱超变肉诲们葡复辱稍令升晰闯椭谭筷坚篮冗篡体先酬窃誊郧祷荧惊热第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.2nnToolKit4.2nnToolKit函数库函数库pLmTrainLmTrain功能 LM神经网络训练函数。格式 retstr = LmTrain(
6、ModelNo,NetPara,TrainPara,InputFun,OutputFun,DataDir)。说明 函数返回网络训练次数，同时将网络训练结果(权值、阈值)及训练误差保存到文件。各参数说明如下：（1 1）ModelNo ModelNo 输入参数，神经网络模型编号。输入参数，神经网络模型编号。（2 2）NetPara NetPara 输入参数，神经网络参数，它是一个输入参数，神经网络参数，它是一个4 4维数组，维数组，分别表示输入层结点数、输出层结点数、中间层结点数和训练分别表示输入层结点数、输出层结点数、中间层结点数和训练样本组数。样本组数。咒案伴酚辛迭令歹防揖炔雪近嗓霞匝测省淘揽
7、圈文鸣挚丁预菇虚吟预诞托第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.2nnToolKit4.2nnToolKit函数库函数库（3 3）TrainPara TrainPara 输入参数，神经网络可选训练参输入参数，神经网络可选训练参数，当采用默认值时，参数设置为数，当采用默认值时，参数设置为-1-1，它是，它是8 8维数维数组，分别表示显示间隔次数，最大循环次数，目标组，分别表示显示间隔次数，最大循环次数，目标误差，设置最小梯度，设定误差，设置最小梯度，设定的初始值，设定的初始值，设定的的增加系数，设定增加系数，设定的减少系数，设定的减少系数，设定的最大值。的最大值。（4
8、4）InputFun InputFun 输入参数，输入层到中间层的传输入参数，输入层到中间层的传递函数，默认值为递函数，默认值为tansigtansig，当采用默认值时，参，当采用默认值时，参数指定为数指定为-1-1。（5 5）OutputFun OutputFun 输入参数，中间层到输出层的传输入参数，中间层到输出层的传递函数，默认值为递函数，默认值为purelinpurelin，当采用默认值时，当采用默认值时，参数指定为参数指定为-1-1。（6 6）DataDir DataDir 输入参数，数据文件保存路径。输入参数，数据文件保存路径。拖殉葛婆淫转弯精氢穴讹桥酒贡崇悔夏拖焚前死亏元该名胖嗣
9、呆运秧桥吉第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.2nnToolKit4.2nnToolKit函数库函数库p例例4-1 4-1 对对ch4nnToolKitch4nnToolKit工具箱工具箱lmnetlmnet文件夹中文件夹中文件文件(input_para1.txt(input_para1.txt和和output_para1.txt)output_para1.txt)提提供的专家样本数据进行网络训练。供的专家样本数据进行网络训练。 誓济罪政瘁匡锣霉扼谁稿匀吼卿舞凭被阂像口痹窿坠炼种射瘫峪卖喘淮嘎第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.2nn
10、ToolKit4.2nnToolKit函数库函数库pLmSimuLmSimu功能 LM神经网络仿真函数。格式 retstr = LmSimu(ModelNo,NetPara,SimulatePara,InputFun,OutputFun,DataDir)。说明 函数对未知的输入样本进行仿真，返回仿真结果，同时将仿真结果写入结果文件。各参数说明如下：（1 1）ModelNo ModelNo 神经网络模型编号。神经网络模型编号。（2 2）NetPara NetPara 神经网络参数，它是一个三维数组，神经网络参数，它是一个三维数组，分别表示输入层结点数、输出层结点数和中间层结点分别表示输入层结点数
11、、输出层结点数和中间层结点数。数。（3 3）SimulatePara SimulatePara 神经网络仿真输入参数，其维数神经网络仿真输入参数，其维数与神经网络输入参数个数相同与神经网络输入参数个数相同（4 4）InputFun InputFun 输入层到中间层的传递函数输入层到中间层的传递函数（5 5）OutputFun OutputFun 中间层到输出层的传递函数中间层到输出层的传递函数揣邪葵驴莽崔击笼烂纬答邱苛馋喂筋僵喻煤选晨馆卜梢芦眺垄够蛮膝又品第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.2nnToolKit4.2nnToolKit函数库函数库p例例4-2 4-
12、2 输入一组测试样本数据，对例输入一组测试样本数据，对例4-14-1训练的网络模型进行仿真训练的网络模型进行仿真 秃讲毙漠沛挫鳃袭逃淋徘窘邑乱藐从牺造运铭亲裤允恃遁铰带丝裕剿饼淑第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.2nnToolKit4.2nnToolKit函数库函数库pSofmTrainSofmTrain功能 自组织特征映射网络训练函数。格式 retstr = retstr = ofmTrain(ModelNo,NetPara,TrainPara,DataDir)ofmTrain(ModelNo,NetPara,TrainPara,DataDir)说明 完成分类
13、训练，并保存权值和分类后各类别下的像素矩阵，各参数说明如下：（1 1）ModelNo ModelNo 输入参数，模型编号。输入参数，模型编号。（2 2）NetPara NetPara 输入参数，网络参数，包括输入层结点数，输入参数，网络参数，包括输入层结点数，分类数，训练数据组数。分类数，训练数据组数。（3 3）TrainPara TrainPara 输入参数，网络训练参数，包括训练过程输入参数，网络训练参数，包括训练过程显示频率，最大训练步数，学习率。显示频率，最大训练步数，学习率。（4 4）DataDir DataDir 输入参数，当前应用程序路径。输入参数，当前应用程序路径。 戎臂饼垢蚕
14、丙边咳争攫凌理回郁矗在攒沉骏卤廓价渔环慎奴软捡抖妓忱担第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.2nnToolKit4.2nnToolKit函数库函数库p例例4-3 4-3 对对ch4nnToolKitch4nnToolKit工具箱工具箱sofmsofm文件夹中的数据文文件夹中的数据文件件(input_para1.txt)(input_para1.txt)进行自组织特征映射网络训练，进行自组织特征映射网络训练，以便实现对其数据进行分类。以便实现对其数据进行分类。 侨逼皮斌虏量码哉晦捍碾撰级钒廷厂坠蓖条守愚缮峻棵艰妒橱碾厉沉羊邓第4部分nnToolKit神经网工具包神经网
15、络实用教程配套课件4.2nnToolKit4.2nnToolKit函数库函数库pSofmSimuSofmSimu功能 自组织特征映射网络仿真函数。格式 retstr = SofmSimu(ModelNo,NetPara,SimuData,DataDir)retstr = SofmSimu(ModelNo,NetPara,SimuData,DataDir)说明 根据训练好的网络模型，对预测数据进行分类识别，各参数说明如下：(1) ModelNo (1) ModelNo 输入参数，模型编号。输入参数，模型编号。(2) NetPara (2) NetPara 输入参数，网络参数，包括输入层结点数，分
16、输入参数，网络参数，包括输入层结点数，分类数，训练数据组数。类数，训练数据组数。(3) SimuData (3) SimuData 输入参数，网络仿真数据。输入参数，网络仿真数据。(4) DataDir (4) DataDir 输入参数，当前应用程序路径。输入参数，当前应用程序路径。 疵静嗡遗总捡吨途杨尹演爪畏标锌廷牟饥傻锐躁氯沁绅逢蘑氨人炯烈困七第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.2nnToolKit4.2nnToolKit函数库函数库p例例4-4 4-4 输入一组测试样本数据，检验例输入一组测试样本数据，检验例4-34-3训练训练好自组织特征映射网络模型。好自
17、组织特征映射网络模型。 越禁哄授浮拨纷漏浅趣绣袄球闪熄嘛胳媒监鞘傣稀丛弘牙沾掠也虎颗尘循第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.2nnToolKit4.2nnToolKit函数库函数库pSofmIntensitySofmIntensity功能 图像增强处理函数。格式 retstr = SofmIntensity(ImgName,AdjustPara,DataDir)说明 图像增强处理，主要增强图像对比度，各参数说明如下：(1) ImgName (1) ImgName 输入参数，图像文件名。输入参数，图像文件名。(2) AdjustPara (2) AdjustPara
18、 输入参数，图像增强参数，介于输入参数，图像增强参数，介于(0,1)(0,1)。(3) DataDir (3) DataDir 输入参数，当前应用程序路径。输入参数，当前应用程序路径。pSofmHistSofmHist功能 绘制直方图函数。格式 retstr = SofmHist(ImgName,DataDir)说明 绘制图像直方图，各参数说明如下：(1) ImgName (1) ImgName 输入参数，图像文件名。输入参数，图像文件名。(2) DataDir (2) DataDir 输入参数，当前应用程序路径。输入参数，当前应用程序路径。 哦雅朝西前挣铡袱丘乃陡酷站敖淮倦尺麦梭锑脾燃塞夯下
19、戏心谆野灵堤膳第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.2nnToolKit4.2nnToolKit函数库函数库pSofmProcessSofmProcess功能 自组织特征映射网络分类处理函数。格式 retstr=retstr= ofmProcess(ModelNo,ClassifyNum,TrainPara,ImgName,DataDir) ofmProcess(ModelNo,ClassifyNum,TrainPara,ImgName,DataDir)说明 主要用于图像分割处理，程序首先读入图像文件，并将图像灰度特征值转化为一个一维矩阵，接下来对该灰度矩阵进行竞争
20、学习，最后根据训练结果，对矩阵中的各数据进行仿真，并将分类结果写入相应的文件。各参数说明如下：(1) ModelNo (1) ModelNo 输入参数，模型编号。输入参数，模型编号。(2) ClassifyNum (2) ClassifyNum 输入参数，输入参数， 分类数。分类数。(3) TrainPara (3) TrainPara 输入参数，网络训练参数，包括：训练过程显示频输入参数，网络训练参数，包括：训练过程显示频率，最大训练步数，学习率。率，最大训练步数，学习率。(4) ImgName (4) ImgName 输入参数，图像文件名。输入参数，图像文件名。(5) DataDir (5
21、) DataDir 输入参数，当前应用程序路径。输入参数，当前应用程序路径。协泻屏戒碉赢扫颤插镍垃走睡耙六弄康猛叠褪皑袋蔑书惩糖这肘东瞧柬怀第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.2nnToolKit4.2nnToolKit函数库函数库p例例4-5 4-5 对对ch4nnToolKitch4nnToolKit工具箱工具箱sofmsofm文件夹中的图像文文件夹中的图像文件件(imageimgrec_0.gif) (imageimgrec_0.gif) 根据灰度特征进行分割，同根据灰度特征进行分割，同时将分类结果写入文件时将分类结果写入文件 浑紊琴薛哀粤啊葛母聋宫掂弘激览
22、闯霄酸捕废赊荔羡水隅莹烤直嫂缝浑枢第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.2nnToolKit4.2nnToolKit函数库函数库pSofmRecSofmRec功能 图像还原处理函数。格式 retstr = retstr = SofmRec(ModelNo,ClassifyNum,ClassifyNo,DataDir)SofmRec(ModelNo,ClassifyNum,ClassifyNo,DataDir)说明 经自组织特征映射网络分割后的图像还原处理，各参数说明如下：(1) ModelNo (1) ModelNo 输入参数，模型编号。输入参数，模型编号。(2)
23、ClassifyNum (2) ClassifyNum 输入参数，分类数。输入参数，分类数。(3) ClassifyNo (3) ClassifyNo 输入参数，需还原的类别。输入参数，需还原的类别。(4) DataDir (4) DataDir 输入参数，应用程序所在工作目录。输入参数，应用程序所在工作目录。 咒奴家魏铲甲毯榆幢缔沥形昭饼蹦葛租驭仓新棕笆茁履吩霜伞滚缨俄藐光第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.2nnToolKit4.2nnToolKit函数库函数库p例例4-6 4-6 对经例对经例4-54-5分割后的图像进行还原。分割后的图像进行还原。屯驱撅圃倦
24、暑迸弥侧闲双庚摹丁馈页烤萄贤奥篆婉角友曝雾揍摆悔昧收盗第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.2nnToolKit4.2nnToolKit函数库函数库pFnnTrainFnnTrain功能 模糊神经网络训练函数。模糊神经网络训练函数。格式 retstr = FnnTrain(dt,ld,tt,sp)retstr = FnnTrain(dt,ld,tt,sp)。说明 对指定的样本数据进行训练，同时将训练结果写入权值文件，各参数说明如下：(1) dt (1) dt 输入参数，学习阈值。输入参数，学习阈值。(2) ld (2) ld 输入参数，学习进度。输入参数，学习进度。
25、(3) tt (3) tt 输入参数，训练次数。输入参数，训练次数。(4) sp (4) sp 输入参数，样本数据文件。输入参数，样本数据文件。 酝龄数县缮脑玖嫂缔令害高吉拱纵松芭振庄沿习墩竿锅制涪稻绸鸿雷蛙赛第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.2nnToolKit4.2nnToolKit函数库函数库p例例4-7 4-7 对对ch4nnToolKitch4nnToolKit工具箱工具箱fnnfnn文件夹中文件文件夹中文件(datasample.txt)(datasample.txt)提供的专家样本数据进行模糊神经提供的专家样本数据进行模糊神经网络训练。网络训练。
26、桐琵狸袋酗报愚嘛揖坟锣坚花嵌秃爷瞥歇展牟环讣虎众回躺痢摩像死敷乖第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.2nnToolKit4.2nnToolKit函数库函数库pFnnSimuFnnSimu功能 模糊神经网络仿真函数。模糊神经网络仿真函数。格式 retstr = FnnSimu(kd,sj,td)retstr = FnnSimu(kd,sj,td)。说明 调用训练好的模糊神经网络模型，对输入样本进行仿真，各参数说明如下：(1) kd (1) kd 输入参数，学习阈值。输入参数，学习阈值。(2) sj (2) sj 输入参数，学习进度。输入参数，学习进度。(3) td
27、(3) td 输入参数，仿真输入数据。输入参数，仿真输入数据。最拟崖载稀欢垄阑逮寨湃陶绥绩撇灼斑记没硒爽缮毯顷虑钩炸子尔砖憋百第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.2nnToolKit4.2nnToolKit函数库函数库p例例4-8 4-8 输入一组测试样本数据，对例输入一组测试样本数据，对例4-74-7训练的训练的网络模型进行仿真。网络模型进行仿真。 绑胳烃项羹氯匣讶兑劝蛛馒舒河秽羽搐里碴程绕柞戎向醋昭格傻阑蝶头旁第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.2nnToolKit4.2nnToolKit函数库函数库pInitnetInitnet
28、功能 遗传神经网络初始化函数。格式 net = Initnet(W1, B1, W2, B2,paraments) net = Initnet(W1, B1, W2, B2,paraments)。说明 根据指定的权值阈值，获得设置好的一个神经网络，参数说明如下：(1) W1 (1) W1 输入参数，输入层到隐含层权值。输入参数，输入层到隐含层权值。(2) B1 (2) B1 输入参数，输入层到隐含层阈值。输入参数，输入层到隐含层阈值。(3) W2 (3) W2 输入参数，隐含层到输出层权值。输入参数，隐含层到输出层权值。(4) B2 (4) B2 输入参数，隐含层到输出层阈值。输入参数，隐含层
29、到输出层阈值。(5) paraments (5) paraments 输入参数，神经网络参数信息：输入参数，神经网络参数信息： 最大迭代最大迭代次数最小误差次数最小误差 。 篡兼摇久掳耪醒姜峙楞兔筛砍灵色棠焉妖攻矮刚菠绩栗证傲叙戌拽竭秦塘第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.2nnToolKit4.2nnToolKit函数库函数库pGadecodGadecod功能 遗传算法编码分解函数。格式 W1, B1, W2, B2, P, T, A1, A2, SE, val=Gadecod(x)W1, B1, W2, B2, P, T, A1, A2, SE, val=Ga
30、decod(x)。说明 将遗传算法的编码分解为BP网络所对应的权值、阈值，参数说明如下：(1) x (1) x 输入参数，一个染色体。输入参数，一个染色体。(2) W1 (2) W1 输出参数，输入层到隐含层权值。输出参数，输入层到隐含层权值。(3) B1 (3) B1 输出参数，输入层到隐含层阈值。输出参数，输入层到隐含层阈值。(4) W2 (4) W2 输出参数，隐含层到输出层权值。输出参数，隐含层到输出层权值。(5) B2 (5) B2 输出参数，隐含层到输出层阈值。输出参数，隐含层到输出层阈值。(6) P (6) P 输出参数，训练样本。输出参数，训练样本。(7) T (7) T 输出
31、参数，样本输出值。输出参数，样本输出值。(8) A1 (8) A1 输出参数，输入层到隐含层误差。输出参数，输入层到隐含层误差。(9) A2 (9) A2 输出参数，隐含层到输出层误差。输出参数，隐含层到输出层误差。(10) SE (10) SE 输出参数，误差平方和。输出参数，误差平方和。(11) val (11) val 输出参数，遗传算法的适应值。输出参数，遗传算法的适应值。涟膛柿姻烤帽毁站嫌汹疵啤醛氨汤袍彦钱尽岗藩中拒履丹谣潍恭茹巫洁弗第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.2nnToolKit4.2nnToolKit函数库函数库pGafitnessGafit
32、ness功能 遗传算法的适应值计算函数。格式 f = Gafitness(y)。说明 通过染色体个体计算染色体适应度，参数说明如下：(1) y (1) y 输入参数，染色体个体。输入参数，染色体个体。(2) f (2) f 输出参数，染色体适应度。输出参数，染色体适应度。pGeneratesampleGeneratesample功能 训练样本生成函数。格式 = Generatesample(path)。说明 在指定路径生成适合于训练的样本，参数说明如下：path path 输入参数，指定路径，用于保存样本文件。输入参数，指定路径，用于保存样本文件。pGetWBbygaGetWBbyga功能 获
33、取遗传神经网络权值阈值参数函数。格式 W1, B1, W2, B2 = GetWBbyga(paraments)。说明 用遗传算法获取神经网络权值阈值参数，参数说明如下：paraments paraments 输入参数，遗传算法的参数信息：输入参数，遗传算法的参数信息： 遗传代数遗传代数 最小适应值最小适应值 。 像街半针即馈昆升邵边挛义靡胚馆盒喻拖惑纠敞椭朔收碴斟捎萍摆澄夯七第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.2nnToolKit4.2nnToolKit函数库函数库pSegmentSegment功能 图像分割函数。格式 bw = Segment(net,img)
34、。说明 利用训练好的神经网络进行分割图像，参数说明如下：(1) net (1) net 输入参数，已经训练好的神经网络。输入参数，已经训练好的神经网络。(2) img (2) img 输入参数，要分割的图像。输入参数，要分割的图像。(3) bw (3) bw 输出参数，分割后的二值图像。输出参数，分割后的二值图像。pGabptrainGabptrain功能 结合遗传算法的神经网络训练函数。格式 net = Gabptrain(gaP,bpP,P,T)。说明 程序运行前需将ch3遗传算法工具箱加入到MATLAB的搜索路径中（方法：FileSet Path，增加目录到MATLAB的搜索路径，然后保
35、存），函数参数说明如下：(1) gaP (1) gaP 输入参数，遗传算法的参数信息：输入参数，遗传算法的参数信息： 遗传代数遗传代数 最小适应值最小适应值 。(2) bpP (2) bpP 输入参数，神经网络参数信息：输入参数，神经网络参数信息： 最大迭代次数最小误差最大迭代次数最小误差 。(3) P (3) P 输入参数，样本数组。输入参数，样本数组。(4) T (4) T 输入参数，目标数组。输入参数，目标数组。(5) net (5) net 输出参数，训练好的网络结构。输出参数，训练好的网络结构。征次籍髓广瞧位备引人淘恿旧绵萧稠魔砷床棍嘲明直配骑群双峙遍掉剩致第4部分nnToolKit
36、神经网工具包神经网络实用教程配套课件4.2nnToolKit4.2nnToolKit函数库函数库p例例4-9 4-9 对对ch4nnToolKitch4nnToolKit工具箱工具箱gabpgabp文件夹中文件文件夹中文件(datasample.mat)(datasample.mat)提供的样本数据，用结合遗传算法的神经网络提供的样本数据，用结合遗传算法的神经网络进行训练。进行训练。 设俞珊掂歪居产坎娱代红登锤吐擦骇番怀获步铁宁颓缉窥罪寓筹赏破砰绕第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.2nnToolKit4.2nnToolKit函数库函数库pCompbpandgab
37、pCompbpandgabp功能 传统BP和遗传BP训练示例程序。格式 retstr = Compbpandgabp()。说明 对于指定的样本数据，分别用传统对于指定的样本数据，分别用传统BPBP算法和遗传算法和遗传BPBP算法进算法进行训练，相比之下，用传统行训练，相比之下，用传统BPBP训练，可能收敛不到目标值，训练，可能收敛不到目标值，或者收敛步数太长，而用遗传或者收敛步数太长，而用遗传BPBP算法进行训练，遗传算法算法进行训练，遗传算法寻找最优权值阈值会用一些时间，但比寻找最优权值阈值会用一些时间，但比BPBP的训练还是快，的训练还是快，在很短的时间内就能收敛到目标值。程序运行前需将在
38、很短的时间内就能收敛到目标值。程序运行前需将ch3ch3遗传算法工具箱加入到遗传算法工具箱加入到MATLABMATLAB的搜索路径中（方法：的搜索路径中（方法：FileFileSet PathSet Path，增加目录到，增加目录到MATLABMATLAB的搜索路径，然后保的搜索路径，然后保存）。存）。 兰靳什樱天箍划殊暂知九挡彼祁贿矽浆扑材莱阐番翔莆畜悯醒菠栋缘颧亭第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.2nnToolKit4.2nnToolKit函数库函数库p例例4-10 4-10 对对ch4nnToolKitch4nnToolKit工具箱工具箱gabpgabp文
39、件夹中文件文件夹中文件(datasample.mat)(datasample.mat)提供的样本数据，比较用传统提供的样本数据，比较用传统BPBP算法进行网络算法进行网络训练和用结合遗传算法的神经网络进行训练的结果。训练和用结合遗传算法的神经网络进行训练的结果。 苯庄拼稍龟蹦涪篮渊扒夫淀灿荐鲁讫府惩闻再郭剩逻循诬加怖寻侗长凿常第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.2nnToolKit4.2nnToolKit函数库函数库pGabpdemoGabpdemo功能 基于遗传神经网络的图像分割示例程序。格式 retstr = Gabpdemo()。说明 演示对特定类型的一类图
40、像进行分割。在分割之前要做好二项工作，一是提取前景和背景的特征值，二是用提取好的特征值进行遗传神经网络训练。pWnninitWnninit功能 小波神经网络初始化。格式 P,T,R,S1,S2,S ,Q=Wnninit()。说明 初始化小波神经网络，返回网络的训练样本，输入、输出数及隐含神经元数等。pGawnnGawnn功能 遗传算法优化小波神经网络后逼近非线性（内部调用遗传算法的初始化、适应度、解码函数）。格式 retstr = Gawnn()。说明 程序运行前需将ch3小波网络工具箱及遗传算法工具箱加入到MATLAB的搜索路径中（方法：FileSet Path，增加目录到MATLAB的搜索
41、路径，然后保存）。甫鼎狰男肚陡斧狡瘫讹婴贼圾钾俭艘臆星拈讽奠巨敦枝厌藉品蛋岛巍肾讣第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.2nnToolKit4.2nnToolKit函数库函数库p例例4-11 4-11 演示遗传算法优化小波神经网络后逼近演示遗传算法优化小波神经网络后逼近非线性。非线性。 誊恐基御掷台屎蹄指污披舟棉悍俺返颧赵概熙掀味脓抿痞蹦敦顽书齿兽贞第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.2nnToolKit4.2nnToolKit函数库函数库pWnndemoWnndemo功能 基于小波神经网络的基于小波神经网络的1-D1-D插值示例程序。
42、插值示例程序。格式 retstr = Wnndemo ()retstr = Wnndemo ()。说明 程序运行前需将程序运行前需将ch3ch3小波网络工具箱及遗传算法小波网络工具箱及遗传算法工具箱加入到工具箱加入到MATLABMATLAB的搜索路径中（方法：的搜索路径中（方法：FileFileSet PathSet Path，增加目录到，增加目录到MATLABMATLAB的搜索路径，的搜索路径，然后保存）。然后保存）。 迪沦奖淖民询告城肚所鹅并疾由棘巩慢长囚哪扑咏钨坯诉霉铸攘撂化户好第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.2nnToolKit4.2nnToolKit
43、函数库函数库p基于小波神经网络的基于小波神经网络的1-D1-D插值示例程序插值示例程序 舍硕师泻咏裤澡轰甥诬牲锻炬黔让澄费失钥痕掖具泅玲刚睦架娃牡银锣恃第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.3 应用举例 p4.3.1 4.3.1 基于基于LMLM神经网络的房地产开发风险预测模型神经网络的房地产开发风险预测模型 p1 1案例描述案例描述房地产开发存在风险，其影响因素（输入）主要包括：1 1）通货膨胀风险：可分为升高、不变、降低。）通货膨胀风险：可分为升高、不变、降低。2 2）市场低供求风险，可分为供大求、平衡、供小求。）市场低供求风险，可分为供大求、平衡、供小求。3
44、3）周期风险，可分为第一阶段、第二阶段、第三阶段、第四阶）周期风险，可分为第一阶段、第二阶段、第三阶段、第四阶段。段。4 4）利率风险，可分为提高、不变、降低。）利率风险，可分为提高、不变、降低。5 5）政策风险，可分为有利、无新政策、不利开发。）政策风险，可分为有利、无新政策、不利开发。6 6）区位风险，可分为升值、不变、降值。）区位风险，可分为升值、不变、降值。7 7）开发期风险，可分为较长、正常、缩短。）开发期风险，可分为较长、正常、缩短。开发风险（输出）可分为开发风险（输出）可分为5 5类：无风险、风险较低、一般风险、类：无风险、风险较低、一般风险、风险较高、风险很高，为了能对开发风险
45、进行有效地评估和预测，风险较高、风险很高，为了能对开发风险进行有效地评估和预测，在此拟建立神经网络预测模型，实现对房地产开发风险的预测。在此拟建立神经网络预测模型，实现对房地产开发风险的预测。 铬钠潮芯谁鲜刃宜荐榨谚吩息柒吕侗篷骡浚龋痛杀壹病角日哇仕厅颧痊衙第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.3.1 4.3.1 基于基于LMLM神经网络的房地产开发风险预测模型神经网络的房地产开发风险预测模型p数据数据 结点点类别结点名称点名称结点描述点描述转换输入通货膨胀风险升高0.8不变0.5降低0.2市场低供求风险供大于求0.3平衡0.6供小于求0.8周期风险第一阶段0.1第
46、二阶段0.3第三阶段0.6第四阶段0.8利率风险提高0.2不变0.5降低0.9字早脖不减架怠讼衷睛藤流贰智烙累竟犯拷瞻嚼桂激间猾揣坞逝洱痞篙议第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.3.1 4.3.1 基于基于LMLM神经网络的房地产开发风险预测模型神经网络的房地产开发风险预测模型p数据数据结点点类别结点名称点名称结点描述点描述转换输入政策风险有利0.9无新政策0.8不利开发0.2区位风险升值0.9不变0.6降值0.3开发期风险较长0.2正常0.5缩短0.7输出开发风险无风险1风险较低0.8一般风险0.5风险较高0.3风险很高0.1绵或惺崔炔棠咀犬烁到晾抑褥称王肘峦拒
47、嗡责笆伦郴必咳菌闹桨袖骸句糟第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.3.1 4.3.1 基于基于LMLM神经网络的房地产开发风险预测模型神经网络的房地产开发风险预测模型p建立一个网络结构为建立一个网络结构为7-5-17-5-1的神经网络模的神经网络模型型 p构建专家样本数据构建专家样本数据 p运行运行LmTrain.mLmTrain.m文件，完成对专家样本数文件，完成对专家样本数据的训练据的训练 p将实际参数值传入将实际参数值传入LmSimu.mLmSimu.m文件实现开文件实现开发风险预测发风险预测涪泽果慷交箕一每舷翱蘑扶挡肖孵眉盆睛警救碑榷毫加郭柜特反选亭读彼第4
48、部分nnToolKit神经网工具包神经网络实用教程配套课件4.3.1 4.3.1 基于基于LMLM神经网络的房地产开发风险预测模型神经网络的房地产开发风险预测模型p程序程序稀陋匀折地慌砾呻雍懈受蛆钱该谰亨朝粮哟软鬃太混恤均扼烹席酪拈纷割第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.3.2 4.3.2 自组织特征映射网络进行图像识别自组织特征映射网络进行图像识别 p在利用在利用GMSGMS红外卫星云图进行无眼台风自动定位方法的红外卫星云图进行无眼台风自动定位方法的研究中，台风云系的分割是处理中关键的一步，本案研究中，台风云系的分割是处理中关键的一步，本案例介绍一种基于自组织特
49、征映射网络对图像进行分割例介绍一种基于自组织特征映射网络对图像进行分割的方法，首先利用图像的分形维数和灰度特征对台风的方法，首先利用图像的分形维数和灰度特征对台风云系中的卫星云图进行分类识别，然后再对不同的分云系中的卫星云图进行分类识别，然后再对不同的分类结果进行图像还原。类结果进行图像还原。节还呐葬省害晕申嚼巴杜到净崖损热栗厢脑奎蓖赣佩郭渝硫棋戍摸佣圃阻第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.3.2 4.3.2 自组织特征映射网络进行图像识别自组织特征映射网络进行图像识别p案例分析案例分析p要实现本例的图像分割与还原，可按以下步骤来要实现本例的图像分割与还原，可按以
50、下步骤来进行：进行：（1）图像预处理在进行图像识别前，首先要对失真变质的图像进行预处理，在进行图像识别前，首先要对失真变质的图像进行预处理，即先对图像进行滤波。即先对图像进行滤波。除了对图像进行滤波处理外，有时为了得到对具体应用来说除了对图像进行滤波处理外，有时为了得到对具体应用来说视觉效果更视觉效果更“好好”、更、更“有用有用”的图像，还需要对图像做一的图像，还需要对图像做一些增强的技术处理。这里可直接采用工具包中的些增强的技术处理。这里可直接采用工具包中的SofmIntensitySofmIntensity函数进行处理。函数进行处理。（2）确定图像分类数进行神经网络聚类分析首先要根据等灰度
51、图分析图像的灰度进行神经网络聚类分析首先要根据等灰度图分析图像的灰度集中点，据此确定神经网络的输出神经元个数，然后用神经集中点，据此确定神经网络的输出神经元个数，然后用神经网络进行聚类分析。网络进行聚类分析。匡散铁红眨菱顿屋濒蔓伶燕癸敢石廖萌点扯锅论杂畸误垢愤常枯作务顽惦第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.3.2 4.3.2 自组织特征映射网络进行图像识别自组织特征映射网络进行图像识别p图为运行图为运行SofmHistSofmHist函数生成的灰度直方图，由图可发现原函数生成的灰度直方图，由图可发现原始图像的灰度集中点，据此可以确定始图像的灰度集中点，据此可以确定
52、KohonenKohonen神经网络的神经网络的输出神经元数为输出神经元数为7 7，即分类数为，即分类数为7 7 腮告隶旗视渺薪炕怖黄珠浪毙太履枫颅章停敛似霸胖厌俏锨络扬盆塌剿胶第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.3.2 4.3.2 自组织特征映射网络进行图像识别自组织特征映射网络进行图像识别（3）基于自组织特征映射的图像聚类处理主要完成基于自组织特征映射的神经网络建模、主要完成基于自组织特征映射的神经网络建模、模型训练及根据训练的结果对图像像素进行分类，模型训练及根据训练的结果对图像像素进行分类，并将相关参数保存下来。此步骤可通过运行工具并将相关参数保存下来。此
53、步骤可通过运行工具包中的包中的SofmProcessSofmProcess来完成。来完成。（4）图像识别针对上一步的仿真结果，进行还原图像。此步骤针对上一步的仿真结果，进行还原图像。此步骤可通过运行工具包中的可通过运行工具包中的SofmRecSofmRec来完成。来完成。疥结荆扭元讨务酝剩狞顷瑰吉旋轿逊插告巩贾砧穆惫翅讯痪章苏刨亢刚倘第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.3.2 4.3.2 自组织特征映射网络进行图像识别自组织特征映射网络进行图像识别p程序程序何模时挂贴鳖呼摔杯但敢烩陛篙违酒波吃违边足叁津晦粤供镭告讽住重无第4部分nnToolKit神经网工具包神经网
54、络实用教程配套课件4.3.3 4.3.3 模糊神经网络预测地基沉降量模糊神经网络预测地基沉降量 p1 1案例描述案例描述建筑物在施工过程中和施工结束后，往往会产生一定的沉降量，而影响结果的主要因素，又主要与时间、土的性质、与施工面的距离、支护结构参数、工程进度快慢、地下水渗水情况等因素有关。希望能根据前面一段时间的数据来预测后几天的沉降量或最终沉降量。p2 2案例分析案例分析根据案例描述，为了能有效地预测下一阶段（如10天）将要发生的沉降值或最终沉降量，这里介绍采用模糊神经网络算法，实现预测过程。经综合分析，归纳出如下几个指标作为影响预测结果（累计沉降量）的影响因素： 时间。时间。 与掌子面距
55、离。与掌子面距离。 断面埋置深度。断面埋置深度。 围岩类型。围岩类型。 地下水含量。地下水含量。 钢拱架间距。钢拱架间距。 擒纬袭积刺此越景菊腿泻资颐均并饲柞棱穿诣补柞瞄畜令是衣芽始缴狭渊第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.3.3 4.3.3 模糊神经网络预测地基沉降量模糊神经网络预测地基沉降量p样本数据样本数据总改训朽匿命妻伸比难凄逸封仁隘缎犹涌尺惟链犀告孕甫铣妄叹兄矾让柿第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.3.3 4.3.3 模糊神经网络预测地基沉降量模糊神经网络预测地基沉降量p程序程序泣唱慰搪汕沉渝潦溪国菌熙拓囊蜜猫潘聘身昔绞评
56、悦哩垫拘靛鬃覆景斜樱第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.3.4 基于遗传神经网络的图像分割p案例描述案例描述遗传神经网络在特征分类方面，有着非常广泛的应用。通过先期的学习，能够通过分类得到特定的对象和特征。将其用在图像分割上面，主要对特定类型的一类图像进行分割。如，在一副含有苹果和草莓的图像当中，分割出苹果或者草莓；在一副含有人的图像中，分割出肤色区域。在本例中，主要将其用在医学图像的分割上。 铡猩恫宵搅趋郎酌渡挎狐侦满碧伦嘲埔丽拧扎掌峨胆戈伏澳袭嘻并状道蔫第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.3.4 基于遗传神经网络的图像分割p分割实
57、现步骤分割实现步骤(1) 提取特征值 主要通过手工对图像进行分析，确定前景色的范围和背景色的范围，主要通过手工对图像进行分析，确定前景色的范围和背景色的范围，然后把前景色和背景色按顺序存入一个数组中，生成的这个数组就然后把前景色和背景色按顺序存入一个数组中，生成的这个数组就为训练样本数组。然后再建立一个同样大小的数组，来保存样本的为训练样本数组。然后再建立一个同样大小的数组，来保存样本的特征值。如果为前景则特征值为特征值。如果为前景则特征值为1 1，背景色特征值为，背景色特征值为0 0。(2) 遗传神经网络训练 将提取好的样本值和特征值送入遗传神经网络进行训练。遗传神经将提取好的样本值和特征值
58、送入遗传神经网络进行训练。遗传神经网络首先在权值、阈值的值空间中，搜索出一组最合适的权值和阈网络首先在权值、阈值的值空间中，搜索出一组最合适的权值和阈值，将此设置为神经网络的初始权值、阈值。然后再进行训练。值，将此设置为神经网络的初始权值、阈值。然后再进行训练。(3) 图像分割 将图像分割看成一个分类的过程。图像中的每一个像素是一个待分将图像分割看成一个分类的过程。图像中的每一个像素是一个待分类的样本，将这个样本送入遗传神经网络进行分类，将输出一个特类的样本，将这个样本送入遗传神经网络进行分类，将输出一个特征值，这个特征值决定该样本属于其中一类的概率，如果该值大于征值，这个特征值决定该样本属于
59、其中一类的概率，如果该值大于0.50.5，那么认为它是前景，否则它就是背景。，那么认为它是前景，否则它就是背景。荷倔暴旬氖橡携四透何柒壳问延扁汹悠拟汤潍凋伊诀饿劫悯常分冰簇菇搭第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.3.4 基于遗传神经网络的图像分割p程序程序杀智升势茂锯绚诧基啡个膨跟申副翌韦瘫昼宦吱励市汀踊冀粹儒嫂粪襟房第4部分nnToolKit神经网工具包神经网络实用教程配套课件4.3.5 小波神经网络在1-D 插值上的应用p程序程序毋名赃补它驹唬砖盼梅净袍川表紊走锦烽获祖闻挑谆臂挤咏厌涛恶翌雀墓第4部分nnToolKit神经网工具包神经网络实用教程配套课件小结小结pnnToolKitnnToolKit简介简介pnnToolKitnnToolKit函数库函数库p应用举例应用举例nnToolKit使用方法p神经网络建模方法神经网络建模方法淋早东遁杂淘撂绕翱译矿虹郁奠赡匪几振暗鼎押淬呛狡佳膘机凑景液琢霸第4部分nnToolKit神经网工具包神经网络实用教程配套课件
