神经网络实验报告(附代码)(共5页).doc

实验一：单层感知器的MATLAB设计与实现1. 实验要求：P=[ 0.1 0.7 0.8 0.8 1.0 0.3 0.0 -0.3 -0.5 -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 ]试用MATLAB实现编程分类，并检验2、实验代码：clcclearfigure(gcf)%setfsize(300,300)echo onpause % 键入任意键继续clcP = [+0.1 +0.7 +0.8 +0.8 +1.0 +0.3 +0.0 -0.3 -0.5 -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];pause % 键入任意键，绘制上述矢量plotpv(P,T);pause % 键入任意键，定义一个感知器神经元并绘制初始分类曲线net=newp([-2 1;-2 2],2);net.initFcn='initlay';net.layers{1}.initFcn='initwb';net.inputWeights{1,1}.initFcn='rands';net.layerWeights{1,1}.initFcn='rands';net.biases{1}.initFcn='rands';net=init(net);echo offk = pickic;if k == 2 net.iw{1,1} = [-0.6926 0.6048; 0.1433 -0.9339]; net.b{1}= [ 0.0689; -0.0030];endecho onplotpc(net.iw{1,1},net.b{1})pause % 键入任意键，训练感知器神经元net=train(net,P,T);net.iw{1,1}net.bpause % 键入任意键，绘制结果分类曲线plotpv(P,T);plotpc(net.iw{1,1},net.b{1});pause % 键入任意键，检验训练后的感知器神经元p = [0.7; 1.2];a = sim(net,p)echo offclear3、实验结果：样本 训练前赋初值分类4、验证：实验二：BP网络的拟合能力1、 实验要求：用一个三层的多层BP网络实现对下面函数的拟合要求：1、分析隐层神经元个数对拟合精度的影响 2、分析采样间隔（样本密度）对拟合精度的影响 3、比较trainlm、trainbp、trainbpx等在训练BP网时有什么不同（训练速度和精度等）2、实验代码及结果：实验代码参考例bpRBF1,只做如下修改：（1） 当隐层神经元个数变化时：从10变为30，取采样间隔为0.001，用trainlm：（2） 当采样间隔发生变化时，从0.005到0.001，，神经元个数固定为30，用trainlm:(3)当函数发生变化时：其他参数不变，从trainbp到trainbpx：实验三：RBF网络的拟合能力（1） 实验要求：用RBF网络实现对下面函数的拟合要求：1、分析隐层神经元个数对拟合精度的影响 2、分析采样间隔（样本密度）对拟合精度的影响3、讨论RBF网中参数的大小对拟合模型的精度和泛化能力的影响 （2） 实验代码及结果：（1） 参数sc变化，从0.1变为0.01，取间隔为0.005 （2） 参数sc变化，从0.05变为0.005，取sc为0.01（3）的大小对神经元的影响。