神经网络实验七课件.ppt

《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）》请在三一办公上搜索。

1、神经网络实验课件,实验七广义回归神经网络与概率神经网络的设计,1,a,神经网络实验课件实验七1a,、GRNN网络结构输入层径向基神经元 线性层,一、广义回归神经网络(GRNN),2,a,、GRNN网络结构一、广义回归神经网络(GRNN) 2a,2、GRNN网络的设计调用格式： net = newgrnn(P,T,SPREAD)功能描述： 设计一个GRNN网络参数说明： PQ个R维输入向量组成的RQ矩阵. TQ个S维期望输出向量组成的SQ矩阵. SPREAD径向基层的散布常数，缺省值为1.,一、广义回归神经网络(GRNN),3,a,2、GRNN网络的设计一、广义回归神经网络(GRNN) 3a,例

2、1：已知8个样本点，用GRNN网络对该样本进行函数逼近 P=1 2 3 4 5 6 7 8;%输入变量值 T=0 1 2 3 2 1 2 1;%期望输出 plot(P,T,.,markersize,30);%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 title(待逼近函数); %图像标题 xlabel(P); %给横轴标注 ylabel(T); %给纵轴标注,一、广义回归神经网络(GRNN),4,a,例1：已知8个样本点，用GRNN网络对该样本进行函数逼近一、,一、广义回归神经网络(GRNN),5,a,一、广义回归神经网络(GRNN) 5a, spread=

3、0.7; %确定散布常数 net=newgrnn(P,T,spread);%设计网络 A=sim(net,P); %网络仿真 hold on; outputline=plot(P,A,O,markersize,10, color,1 0 0); %画出测试结果 title(检测网络); xlabel(P); ylabel(T和A);,一、广义回归神经网络(GRNN),6,a, spread=0.7;,一、广义回归神经网络(GRNN),7,a,一、广义回归神经网络(GRNN) 7a, p=3.5; a=sim(net,p);%对新的数据点进行仿真 plot(p,a,+,markersize,10

4、,color,1 0 0);%画出测试点 xlabel(P和p); ylabel(T和a);,一、广义回归神经网络(GRNN),8,a, p=3.5;一、广义回归神经网络(GRNN) 8a,一、广义回归神经网络(GRNN),9,a,一、广义回归神经网络(GRNN) 9a, P2=0:0.1:9; A2=sim(net,P2); plot(P2,A2,linewidth,4,color,1 0 0);%绘制拟合曲线 title(函数逼近); xlabel(P和P2); ylabel(T和A2);,一、广义回归神经网络(GRNN),10,a, P2=0:0.1:9;一、广义回归神经网络(GRNN)

5、,一、广义回归神经网络(GRNN),11,a,一、广义回归神经网络(GRNN) 11a,二、概率神经网络(PNN),1、PNN网络的结构输入层径向基神经元 竞争层,12,a,二、概率神经网络(PNN)1、PNN网络的结构12a,2、PNN网络的设计调用格式： net = newpnn(P,T,SPREAD)功能描述：设计一个PNN网络参数说明： PQ个R维输入向量组成的RxQ矩阵. TQ个S维期望输出向量组成的SxQ矩阵. SPREAD径向基层的散布常数,缺省值为1.,二、概率神经网络(PNN),13,a,2、PNN网络的设计二、概率神经网络(PNN)13a,二、概率神经网络(PNN),例2：

6、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 Tc=1 2 3构建一个PNN网络实现对输入向量进行正确分类。,14,a,二、概率神经网络(PNN)例2：已知三组二维向量14a,二、概率神经网络(PNN),%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);,15,a,二、概率神经网络(PNN)%绘制出输入向量及其类别15a,二、概率神经网络(PNN), for i=1:3,text(P(1,i)+0.1,P(2,i), sprintf(clas

7、s%g,Tc(i),end title(三个向量及类别); xlabel(P(1,:); ylabel(P(2,:);,16,a,二、概率神经网络(PNN) for i=1:3,text,二、概率神经网络(PNN),17,a,二、概率神经网络(PNN)17a,%网络设计 T=ind2vec(Tc);%将类别指针转换为向量T spread=1; net=newpnn(P,T,spread);%测试网络 A=sim(net,P); Ac=vec2ind(A);,二、概率神经网络(PNN),18,a,%网络设计二、概率神经网络(PNN)18a, plot(P(1,:),P(2,:),.,marker

8、size,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); xlabel(P(1,:); ylabel(P(2,:);,二、概率神经网络(PNN),19,a, plot(P(1,:),P(2,:),.,mar,二、概率神经网络(PNN),20,a,二、概率神经网络(PNN)20a,%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(PNN),21,a,%对新的向量分类二、概率神经网络(PNN)21a, text(p(1)+0.1,p(2), sprintf(class%g,ac); hold off; title(对新向量分类); xlabel(P(1,:)与p(1,:); ylabel(P(2,:)与p(2,:);,二、概率神经网络(PNN),22,a, text(p(1)+0.1,p(2),二、概率神经网,二、概率神经网络(PNN),23,a,二、概率神经网络(PNN)23a,