《神经网络实验七课件.ppt》由会员分享，可在线阅读，更多相关《神经网络实验七课件.ppt（23页珍藏版）》请在金锄头文库上搜索。
1、神经网络实验课件神经网络实验课件实验七实验七广义回广义回归归神经网络与概率神经网络的设计神经网络与概率神经网络的设计、GRNN网络结构网络结构输入层径向基神经元输入层径向基神经元 线性层线性层一、广义回归神经网络一、广义回归神经网络(GRNN) 2、GRNN网络的设计网络的设计u调用格式：调用格式： net = newgrnn(P,T,SPREAD)u功能描述：功能描述： 设计一个设计一个GRNN网络网络u参数说明：参数说明： PQ个个R维输入向量组成的维输入向量组成的RQ矩阵矩阵. TQ个个S维期望输出向量组成的维期望输出向量组成的SQ矩阵矩阵. SPREAD径向基层的散布常数，缺省值为径向
2、基层的散布常数，缺省值为1.一、广义回归神经网络一、广义回归神经网络(GRNN) 例例1：已知：已知8个样本点，用个样本点，用GRNN网络对该样本进网络对该样本进行函数逼近行函数逼近 P=1 2 3 4 5 6 7 8;%输入变量值输入变量值 T=0 1 2 3 2 1 2 1;%期望输出期望输出 plot(P,T,.,markersize,30);%在坐标系中画出样本点在坐标系中画出样本点 axis(0 9 -1 4); %调整坐标平面显示区域调整坐标平面显示区域 title(待逼近函数待逼近函数); %图像标题图像标题 xlabel(P); %给横轴标注给横轴标注 ylabel(T); %
3、给纵轴标注给纵轴标注一、广义回归神经网络一、广义回归神经网络(GRNN) 一、广义回归神经网络一、广义回归神经网络(GRNN) spread=0.7; %确定散布常数确定散布常数 net=newgrnn(P,T,spread);%设计网络设计网络 A=sim(net,P); %网络仿真网络仿真 hold on; outputline=plot(P,A,O,markersize,10, color,1 0 0); %画出测试结果画出测试结果 title(检测网络检测网络); xlabel(P); ylabel(T和和A);一、广义回归神经网络一、广义回归神经网络(GRNN) 一、广义回归神经网络
4、一、广义回归神经网络(GRNN) p=3.5; a=sim(net,p);%对新的数据点进行仿真对新的数据点进行仿真 plot(p,a,+,markersize,10,color,1 0 0);%画出测试点画出测试点 xlabel(P和和p); ylabel(T和和a);一、广义回归神经网络一、广义回归神经网络(GRNN) 一、广义回归神经网络一、广义回归神经网络(GRNN) P2=0:0.1:9; A2=sim(net,P2); plot(P2,A2,linewidth,4,color,1 0 0);%绘制拟合曲线绘制拟合曲线 title(函数逼近函数逼近); xlabel(P和和P2);
5、ylabel(T和和A2);一、广义回归神经网络一、广义回归神经网络(GRNN) 一、广义回归神经网络一、广义回归神经网络(GRNN) 二、概率神经网络二、概率神经网络(PNN)1、PNN网络的结构网络的结构输入层径向基神经元输入层径向基神经元 竞争层竞争层2、PNN网络的设计网络的设计u调用格式：调用格式： net = newpnn(P,T,SPREAD)u功能描述：设计一个功能描述：设计一个PNN网络网络u参数说明：参数说明： PQ个个R维输入向量组成的维输入向量组成的RxQ矩阵矩阵. TQ个个S维期望输出向量组成的维期望输出向量组成的SxQ矩阵矩阵. SPREAD径向基层的散布常数径向基
6、层的散布常数,缺省值缺省值为为1.二、概率神经网络二、概率神经网络(PNN)二、概率神经网络二、概率神经网络(PNN)例例2：已知三组二维向量：已知三组二维向量 P=1 2; 2 2; 1 1以及其相对应的三个类别以及其相对应的三个类别 Tc=1 2 3构建一个构建一个PNN网络实现对输入向量进网络实现对输入向量进行正确分类。行正确分类。二、概率神经网络二、概率神经网络(PNN)%绘制出输入向量及其类别绘制出输入向量及其类别 P=1 2;2 2;1 1; Tc=1 2 3; plot(P(1,:),P(2,:),.,markersize,30); axis(0 3 0 3);二、概率神经网络二
7、、概率神经网络(PNN) for i=1:3,text(P(1,i)+0.1,P(2,i), sprintf(class%g,Tc(i),end title(三个向量及类别三个向量及类别); xlabel(P(1,:); ylabel(P(2,:);二、概率神经网络二、概率神经网络(PNN)%网络设计网络设计 T=ind2vec(Tc);%将类别指针转换为向量将类别指针转换为向量T spread=1; net=newpnn(P,T,spread);%测试网络测试网络 A=sim(net,P); Ac=vec2ind(A);二、概率神经网络二、概率神经网络(PNN) plot(P(1,:),P(
8、2,:),.,markersize,30); axis(0 3 0 3); for i=1:3,text(P(1,i)+0.1,P(2,i), sprintf(class%g,Ac(i),end; title(网络测试结果网络测试结果); xlabel(P(1,:); ylabel(P(2,:);二、概率神经网络二、概率神经网络(PNN)二、概率神经网络二、概率神经网络(PNN)%对新的向量分类对新的向量分类 p=2;1.5; a=sim(net,p); ac=vec2ind(a); hold on; plot(P(1,:),P(2,:),.,markersize, 10,color,1 0 0);二、概率神经网络二、概率神经网络(PNN) text(p(1)+0.1,p(2), sprintf(class%g,ac); hold off; title(对新向量分类对新向量分类); xlabel(P(1,:)与与p(1,:); ylabel(P(2,:)与与p(2,:);二、概率神经网络二、概率神经网络(PNN)二、概率神经网络二、概率神经网络(PNN)
