神经网络分类实验

实验一利用神经网络进行分类（OutlierInputVectors）一个经过训练的2输入神经元对5个输入向量进行分类(2类)。结合一个例子给出步骤。实验内容(说明：这里的许多参数都可以更改，希望大家能对这个程序的参数进行修改；同时也欢迎大家提问)步骤一：两个长度为5的向量构成输入样本矩阵P，行向量T为指导向量。利用PLOTPV画出这个向量的图像。例如：P=[-0.5-0.5+0.3-0.1-4;-0.5+0.5-0.5+1.05];T=[11001];plotpv(P,T);//plotpv函数利用感知器的输入向量和监督向量来画输入向量的图像注意：在上面的式子中，4输入向量比5输入向量有更小的数量级，这个感知器必须把P中的5个输入向量分成两类（依赖于T）。步骤二建立神经网络MATLAB提供函数newp来创建一个指定的感知器。第一个参数指定了期望的两个输入向量的取值范围，第二个参数指定了只有一个神经元。net=newp([-401;-150],1);注意：这个神经元的激励函数是hardlim函数，也就是阶越函数。取0，1两个值。Hardlim三函数，也就是阶越函数。取-1，1两个值。第三步添加神经元的初始化值到分类图初始化的权值被设为0，因此任何输入都会给出同样的输出，并且分类线不会出现在这个图中，不用害怕，我们会继续训练这个神经网。holdonlinehandle=plotpc(net.IW{1},net.b{1});//plotpc函数用来画神经网络的分类线第四步训练感知器Matlab提供了adapt函数来训练感知器，adapt函数返回一个新的能更好的执行分类、网络的输出、和误差的神经网络，这个划线函数允许网络从3个角度去调整，画分类线一直到误差为0为止。E=1;//E为误差net.adaptParam.passes=3;while(sse(E))//sse函数是用来判定误差E的函数[net,Y,E]=adapt(net,P,T);//利用输入样本调节神经网netlinehandle=plotpc(net.IW{1},net.b{1},linehandle);//画出调整以后的分类线drawnow;//延迟一段时间end注意：这将会花费感知器的许多时间来训练。这对这样一个简单问题来说时间是非常长的。追究其原因在于outliervector，尽管需要很长的训练时间，这个感知器仍然适当的学习并且被用于划分别的输入。第5步模拟simSIM函数能被用来划分任何别的输入向量，例如划分一个输入向量[0.7;1.2].这个新点的图像为红色，他将用来显示这个感知器如何把这个新点从最初的训练集取分开来。p=[0.7;1.2];a=sim(net,p);//利用模拟函数sim计算出新输入p的神经网络的输出plotpv(p,a);circle=findobj(gca,'type','line');set(circle,'Color','red');打开Hold,以便于以前的图像不被删除。增加训练装置和分类线在图中。holdon;plotpv(P,T);plotpc(net.IW{1},net.b{1});holdoff;axis([-22-22]);最后放大感兴趣的区域这个感知器正确的区分了我们的新点(用红色表示)作为”zero”类(用圆圈表示)，而不是”one”类(用+号表示)，尽管需要比较长的训练时间，这个感知器仍然适当的进行了学习。想知道在outliervectors的情况下如何减少训练时间，需要做实验一的优化实验NormalizedPerceptronRule练习1熟悉并理解plotpv,plotpc函数Thecodebelowdefinesandplotstheinputsandtargetsforaperceptron:p=[0011;0101];t=[0001];plotpv(p,t)ThefollowingcodecreatesaperceptronwithinputsrangingoverthevaluesinP,assignsvaluestoitsweightsandbiases,andplotstheresultingclassificationline.net=newp(minmax(p),1);net.iw{1,1}=[-1.2-0.5];net.b{1}=1;plotpc(net.iw{1,1},net.b{1})newp函数解释NEWPCreateaperceptron.Syntaxnet=newpnet=newp(pr,s,tf,lf)DescriptionPerceptronsareusedtosolvesimple(i.e.linearlyseparable)classificationproblems.NET=NEWPcreatesanewnetworkwithadialogbox.NET=NEWP(PR,S,TF,LF)takestheseinputs,PR-Rx2matrixofminandmaxvaluesforRinputelements.S-Numberofneurons.TF-Transferfunction,default='hardlim'.LF-Learningfunction,default='learnp'.Returnsanewperceptron.ThetransferfunctionTFcanbeHARDLIMorHARDLIMS.ThelearningfunctionLFcanbeLEARNPorLEARNPN.ExamplesThiscodecreatesaperceptronlayerwithone2-elementinput(ranges[01]and[-22])andoneneuron.(SupplyingonlytwoargumentstoNEWPresultsinthedefaultperceptronlearningfunctionLEARNPbeingused.)net=newp([01;-22],1);Nowwedefineaproblem,anORgate,withasetoffour2-elementinputvectorsPandthecorrespondingfour1-elementtargetsT.P=[0011;0101];T=[0111];Herewesimulatethenetwork'soutput,trainforamaximumof20epochs,andthensimulateitagain.Y=sim(net,P)net.trainParam.epochs=20;net=train(net,P,T);Y=sim(net,P)NotesPerceptronscanclassifylinearlyseparableclassesinafiniteamountoftime.Ifinputvectorshavealargevarianceintheirlengths,theLEARNPNcanbefasterthanLEARNP.PropertiesPerceptronsconsistofasinglelayerwiththeDOTPRODweightfunction,theNETSUMnetinputfunction,andthespecifiedtransferfunction.Thelayerhasaweightfromtheinputandabias.WeightsandbiasesareinitializedwithINITZERO.AdaptionandtrainingaredonewithTRAINSandTRAINC,whichbothupdateweightandbiasvalueswiththespecifiedlearningfunction.PerformanceismeasuredwithMAE.