《2022年神经网络实验报告 .pdf》由会员分享，可在线阅读，更多相关《2022年神经网络实验报告 .pdf（10页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、实验一：感知器的分类能力一、实验目的通过本次实验加深对感知器的分类能力的理解，学会运用Matlab 处理较复杂的分类问题二、实验内容已知矩阵P=【0.1 0.7 0.8 0.8 1.0 0.3 0.0-0.3-0.5-1.5 1.21.8 1.6 0.6 0.8 0.5 0.2 0.8-1.5-1.3】；和 T=【1 1 1 0 0 1 1 1 0 0；0 0 0 0 0 1 1 1 1 1】;要求使用感知器实现分类。三、实验过程根据实验要求编写程序如下：clc clear figure(gcf)echo on clc P=0.1 0.7 0.8 0.8 1.0 0.3 0.0-0.3-0.5
2、-1.5;1.2 1.8 1.6 0.6 0.8 0.5 0.2 0.8-1.5-1.3;T=1 1 1 0 0 1 1 1 0 0;0 0 0 0 0 1 1 1 1 1;plotpv(P,T)net=newp(-2 1;-2 2,2);net.trainParam.show=1;net=train(net,P,T);net.iw1,1 net.b figure plotpv(P,T);hold on plotpc(net.iw1,1,net.b1)各个点分分布情况：名师资料总结-精品资料欢迎下载-名师精心整理-第 1 页，共 10 页 -本次运行的最优分类情况：误差曲线：四、实验总结通过本
3、次实验，加深了对感知器的理解，明白了感知器实现线性分类的优越性。虽然已经有了参考程序，但是在实验过程中还是遇到了不少问题，如：参考程序中有进行初始化，但是实验不要求，因此删掉哪部分使程序最简化也是个问题，经过多次尝试，终于得到了最后程序，运行出了最后的分类情况。名师资料总结-精品资料欢迎下载-名师精心整理-第 2 页，共 10 页 -实验二：BP 神经网络的拟合能力一、实验目的学会使用 BP 神经网络拟合各种函数曲线，学会分析隐层神经元个数、采样时间间隔以及不同训练函数对训练精度的影响。二、实验题目一维函数：y=sin(12*sin(4*X*(X+1)，其中 0X1;步长为 0.01，一个三层
4、的 BP网络的实现函数拟合1）、神经元个数对拟合精度的影响；（分别取 20、30、40 个）2）、采样时间对拟合精度的影响；（步长分别取 0.01、0.005、0.001）；三、实验过程实验总程序如下：clf;clear figure(1)echo on clc pause P=0:0.01:1;T=sin(12*pi*sin(4*pi*P.*(1-P);pause clc echo on figure(2)plot(P,T,+);pause clc S1=30;w1 b1 w2 b2=initff(P,S1,tansig,T,purelin);echo on clc df=20;me=100
5、0;eg=0.001 figure(3)tp=df me eg;%w1 b1 w2 b2 ep tr=trainbp(w1,b1,tansig,w2,b2,purelin,P,T,tp);%基本 BP 算法%w1 b1 w2 b2 ep tr=traingdx(w1,b1,tansig,w2,b2,purelin,P,T,tp);%traingdx 快名师资料总结-精品资料欢迎下载-名师精心整理-第 3 页，共 10 页 -速 PB 算法%w1 b1 w2 b2 ep tr=trainrp(w1,b1,tansig,w2,b2,purelin,P,T,tp);%弹性 BP 算法w1 b1 w2
6、 b2 ep tr=trainlm(w1,b1,tansig,w2,b2,purelin,P,T,tp);ploterr(tr,eg);pause clc figure(4)plot(P,T,o);hold on TT=simuff(P,w1,b1,tansig,w2,b2,purelin)plot(P,TT,+);aa=0.25 0.75;bb=simuff(aa,w1,b1,tansig,w2,b2,purelin);echo on 1）、神经元个数对拟合精度的影响神经元个数 20 采样间隔 0.001 运用 trainlm 00.10.20.30.40.50.60.70.80.91-1.
7、5-1-0.500.511.5神经元个数 30 采样间隔 0.001 运用 trainlm 神经元个数 40 采样间隔 0.001 运用 trainlm 0100200300400500600700800900100010-410-310-210-1100101102103Sum-Squared Network Error for 1000 EpochsEpochSum-SquaredError00.10.20.30.40.50.60.70.80.91-1.5-1-0.500.511.50100200300400500600700800900100010-410-310-210-1100101
8、102103104EpochSum-SquaredErrorSum-Squared Network Error for 1000 Epochs名师资料总结-精品资料欢迎下载-名师精心整理-第 4 页，共 10 页 -从上述的实验结果可以得出结论：在起始阶段，训练精度随着神经元个数增加而增加，到达一定程度后，在增加神经元个数，效果不大明显。2）、采样间隔对拟合精度的影响神经元个数 30 采样间隔 0.01 运用 trainlm 神经元个数 30 采样间隔 0.005 运用 trainlm 神经元个数 30 采样间隔 0.001 运用 trainlm 从上述的实验结果可以得出结论：随着采样间隔的减
9、小，实验过程中所选取的点增加，BP 神经网络对函数的拟合效果提高，拟合误差减小。名师资料总结-精品资料欢迎下载-名师精心整理-第 5 页，共 10 页 -四、实验总结本次实验较第一个实验难度有所增加，因此在实验过程中也遇到较多的问题，比如：在矩阵运算时，没有考虑到是矩阵间的乘法还是点乘，是结果遇到了不小的麻烦；在程序运行阶段，由于事先没有考虑到神经元个数具体个数，而选取个数太少，时仿真效果不明显；在做选作时，由于Matlab 版本不对，运行不出结果，放弃了该题。通过这次试验，我明白了选择一组适当的参数（隐层神经元个数、采样步长）对构建 BP神经网络至关重要。名师资料总结-精品资料欢迎下载-名师
10、精心整理-第 6 页，共 10 页 -实验三RBF 神经网络的拟合能力的研究一、实验目的学会使用 RBF 神经网络拟合各种函数曲线，学会分析隐层神经元个数、采样时间间隔以及参数 2 对训练精度的影响二、实验题目一维函数：y=sin(12*sin(4*X*(X+1)，其中 0X1;步长为 0.01，一个三层 RBF神经网络的实现函数拟合1）、采样时间对拟合精度的影响；（步长分别取 0.01、0.005、0.001）；2）、讨论 RBF 神经网络中参数 2 的大小对拟合模型的精度和泛化能力的影响。三、实验内容程序如下：x=0:.003:1;T=sin(12*pi*sin(4*pi*x.*(1-x)
11、figure(1)plot(x,T,+);title(Training Vectors);xlabel(Input Vector x);ylabel(Target Vector T);pause figure(2)eg=0.0001;%sum-squared error goal sc=0.003;%spread constant net=newrbe(x,T,sc);plot(x,T,+);xlabel(Input);X=0:.0002:1;Y=sim(net,X);hold on;plot(X,Y);hold off;legend(Target,Output)net.iw1 名师资料总结-
12、精品资料欢迎下载-名师精心整理-第 7 页，共 10 页 -1）采样间隔对拟合精度的影响采样间隔好似 0.01 2 是 0.003 采样间隔是 0.003 2 是 0.003 采样间隔是 0.001 2 是 0.003 从上述仿真结果可得出结论：当 2 选择一个适当值固定不变后，采样间隔减小，拟合精度增加。名师资料总结-精品资料欢迎下载-名师精心整理-第 8 页，共 10 页 -2）2 对拟合精度的影响采样间隔好似 0.001 2 是 0.03 采样间隔好似 0.001 2 是 0.003 采样间隔好似 0.001 2 是 0.001 名师资料总结-精品资料欢迎下载-名师精心整理-第 9 页，共 10 页 -从上述仿真结果可以得出：当采样间隔选择一个适当值时，2（在一定范围内）越小，拟合结果越好，尤其是在函数变化较为剧烈的区间。四、实验总结本次实验在编写程序方面由于是使用老师的参考程序，因此没有遇到问题，主要的疑问是在选择参数上，最后在老师的帮助下，确定了参数的变化范围，改变两个参数后，得到仿真结果，分析后得到结论，实验顺利结束。名师资料总结-精品资料欢迎下载-名师精心整理-第 10 页，共 10 页 -