神经网络实验报告(共10页).doc

精选优质文档-----倾情为你奉上实验一：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 -1.51.2 1.8 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：clcclearfigure(gcf)echo onclcP = [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];plotpv(P,T)net=newp([-2 1;-2 2],2);net.trainParam.show=1;net = train(net,P,T);net.iw{1,1}net.bfigureplotpv(P,T);hold onplotpc(net.iw{1,1},net.b{1}) 各个点分分布情况：本次运行的最优分类情况：误差曲线：四、 实验总结通过本次实验，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0≤X≤1;步长为0.01，一个三层的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;clearfigure(1)echo onclcpauseP=0:0.01:1;T=sin(12*pi*sin(4*pi*P.*(1-P)));pauseclcecho onfigure(2)plot(P,T,'+');pauseclcS1=30;[w1 b1 w2 b2]=initff(P,S1,'tansig',T,'purelin');echo onclcdf=20;me=1000;eg=0.001figure(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 b2 ep tr]=trainlm(w1,b1,'tansig',w2,b2,'purelin',P,T,tp);ploterr(tr,eg);pauseclcfigure(4)plot(P,T,'o');hold onTT=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 on1）、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 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σ2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0≤X≤1;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σ2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)))figure(1)plot(x,T,'+');title('Training Vectors');xlabel('Input Vector x');ylabel('Target Vector T');pausefigure(2)eg = 0.0001; % sum-squared error goalsc = 0.003; % spread constantnet = 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.iw{1}1） 采样间隔对拟合精度的影响采样间隔好似0.01 σ2是0.003采样间隔是0.003 σ2是0.003采样间隔是0.001 σ2是0.003从上述仿真结果可得出结论：当σ2选择一个适当值固定不变后，采样间隔减小，拟合精度增加。

2） σ2对拟合精度的影响采样间隔好似0.001 σ2是0.03采样间隔好似0.001 σ2是0.003采样间隔好似0.001 σ2是0.001从上述仿真结果可以得出：当采样间隔选择一个适当值时，σ2（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，实验顺利结束专心---专注---专业。