logo资料库

神经网络实验报告.doc

发布时间：2022-06-08 发布人：admin 分类：说明书 资料大小：1.35M 资料格式：doc 举报 版权申诉
第1页 / 共7页
第2页 / 共7页
第3页 / 共7页
第4页 / 共7页
第5页 / 共7页
第6页 / 共7页
第7页 / 共7页
资料共7页，全文预览结束
    神经网络实验报告 一、实验目的和任务 1、掌握产生实验数据的方法； 2、掌握“时钟”的使用方法，记录程序运行时间； 3、掌握评估神经网络学习效果的指标方法； 4、模拟神经元模型，理解其工作原理； 5、模拟感知机网络，用 hebbu 规则和 BP 算法训练神经网络，用实验数据测 试两种算法学习效果的差异； 6、构建两层自组织映射（SOM）神经网络、两层 ART 神经网络或两层 hopfield 神经网络，并进行测试分析，比较不同网络的差异。 二、实验工具和方法 借助软件 MATLAB（R2009a）及其神经网络工具箱 Neural Network Toolbox Version 6.0.2 进行实验的仿真和测试。 三、实验过程 1、实验数据的产生： 假设噪声数据服从均值为 0，方差为 1 的正态分布。首先在变量论域产生 100 个随机数，并利用函数表达式分别计算其相应函数值，最后分别叠加噪声数据， 得到与变量对应的 100 个实验数据。 （1） 函数数据的产生： 使用 MATLAB 生成均匀随机数的函数 rand(m,n)，可生成在 m 行 n 列的在(0,1) 之间符合均匀分布的随机数。 x0=rand(1,100); x=100*x0; 如此可生成在变量论域(0,100)之间的 100 个符合均匀分布的随机数。 假如用来生成实验数据的函数为 y  2 x  sin x ，输入： y1=x.^2+sin(x) 即可得到所需的函数数据。 （2） 噪声数据的产生 由于噪声数据服从均值为 0，方差为 1 的正态分布，使用 MATLAB 函数
    randn(m,n)，可生成在 m 行 n 列的在(0,1)之间符合要求的随机数。 y2=randn(1,100) （3） 生成实验数据 将实验数据和噪声数据叠加： y=y1+y2 2、“时钟”的使用方法 在编写 MATLAB 代码的时候，经常需要获知代码执行的实际时间，这就这 程序中用到即使函数。MATLAB 里提供了 cputime，tic/toc，etime 三种方法。 （1） cputime 方法 返回 MATLAB 启动以来的 CPU 时间，可以在程序代码执行前保存当时的 CPU 时间，然后在程序代码执行结束后用 cputime 减去之前保存的数值，就可以 获取程序实际运行的时间。 （2） tic/toc 方法 tic 用在程序代码首部，启动一个计时器；toc 放在程序代码末尾，终止计时 器并返回 tic 启动以来的总时间。 （3） etime 方法 etime(t1,t2)用来计算两个日期向量 t1,t2 之间的时间差。 3、神经网络性能的评价 使用 MATLAB 的性能函数 mae。该函数以平均绝对误差为准则来确定神经 网络的性能。 4、单个神经元的模拟
    如图所示为有偏置的神经元模型，据其结构编制如下程序仿真其性能。 function [u y]=mnshjy(x) w=[0.3 -0.5 0.4]; u=w*x; if u>=1 y=logsig(u); end if u<1 y=0; end 在上述程序中，我们去取权值向量为： w  (0.3 0.5 0.4)  取阈值为： 1 激活函数取为 logsig（对数 S 形函数），可取为 purelin（线性函数），tansig （正切 S 形函数），hardlim（硬限幅函数）等等。 5、感知机网络的模拟（采用 BP 算法） 构建一个两层的感知机网络，激活函数均选为 logsig（对数 S 形函数），编 制如下程序进行仿真。 tic a1=randn(1,90); a2=100*rand(1,90); y10=2*a2+3; y20=a2.^2+sin(a2); y1=y10+a1; y2=y20+a1; p=[y1;y2]; pr=minmax(p); goal=[ones(1,90);zeros(1,90)]; plot(a2,y1,'h',a2,y2,'o') net=newff(pr,[3,2],{'logsig','logsig'}); net.trainParam.show = 10; net.trainParam.lr = 0.05; net.trainParam.goal = 1e-10; net.trainParam.epochs = 50000; net = train(net,p,goal); y0=sim(net,p); err0=mae(y0,goal); toc
    上述程序，采用前述方法生成 90 个实验数据，将这些数据用于神经网络的 训练，并记录程序运行时间，并对神经网络性能作出评价。 下面的程序可以生成 10 个新的实验数据，用来测试前面产生的神经网络的 性能。 b1=randn(1,10); b2=100*rand(1,10); y10=2*b2+3; y20=b2.^2+sin(b2); h1=y10+b1; h2=y20+b1; c=[h1;h2]; r=sim(net,c); t=[ones(1,10);zeros(1,10)]; err=mae(r,t); 如下为仿真过程中得到的图像，包括每一次运算的误差，训练状态等。
    程序执行时间为 0.558756 seconds 误差为 0.5000 用测试数据分析，实现了准确的分类。 将激活函数取为 tansig（正切 S 形函数）后，所得结果如下： 程序执行时间为 59.905634 seconds 6、竞争型网络的模拟 在前述前馈误差方向传播网络的基础上，采用竞争型（LVQ）网络。得到的
    仿真结果如下： 程序执行时间为 14.410639 用测试数据分析，分类是有误差。 7、自组织映射（SOM）网络的模拟 构建一个两层的自组织映射网络，程序如下： tic a1=randn(1,90); a2=100*rand(1,90); y10=2*a2+3; y20=a2.^2+sin(a2); y1=y10+a1; y2=y20+a1; p=[y1;y2]; net=newsom([0 2;0 1],[3 5]); plotsom(net.layers{1}.positions); net.trainParam.epochs=10; net=train(net,p); plot(a2,y1,'h',a2,y2,'o'); hold on; plotsom(net.iw{1,1},net.layers{1}.distances); hold off; figure; net=init(net); net.trainParam.epochs=20; net=train(net,p);
    plotsom(net.iw{1,1},net.layers{1}.distances); toc 程序执行时间为 10.375700 四、实验结论 1、对于前馈反向传播网络，激活函数采用 logsig（对数 S 形函数），purelin （线性函数），tansig（正切 S 形函数）均可以实现网络的训练，只是训 练需要的时间不同。 2、对于前馈反向传播网络和竞争型网络，在分类这个问题上，竞争型网络 的效果并不是很好。根据查到的资料，该网络更适合作聚类分析。
    分享到：
    赞 收藏

    相关推荐

    资料库

    课程资源

    共收录17145份资料，累计13个分类，关注成员有19位，主要包括：PHP,网络管理,网页制作,Java,.Net,数据库,3G/移动开发,C/C++,游戏开发,嵌入式,讲义,软件测试,专业指导

    热门标签

    PHP 网络管理 网页制作 Java .Net 数据库 3G/移动开发 C/C++ 游戏开发 嵌入式 讲义 软件测试 专业指导

    最新资料