%通用感應器神經網絡。

P=[-0.5 -0.5 0.3 -0.1 -40;-0.5 0.5 -0.5 1 50];%輸入向量

T=[1 1 0 0 1];%期望輸出

plotpv(P,T);%描繪輸入點圖像

net=newp([-40 1;-1 50],1);%生成網絡，其中參數分別為輸入向量的范圍和神經元感應器數量

hold on

linehandle=plotpc(net.iw{1},net.b{1});

net.adaptparam.passes=3;

for a=1:25%訓練次數

[net,Y,E]=adapt(net,P,T);

linehandle=plotpc(net.iw{1},net.b{1},linehandle);

drawnow;

end

%通用newlin程序

%通用線性網絡進行預測

time=0:0.025:5;

T=sin(time*4*pi);

Q=length(T);

P=zeros(5,Q);%P中存儲信號T的前5(可變，根據需要而定)次值，作為網絡輸入。

P(1,2:Q)=T(1,1:(Q-1));

P(2,3:Q)=T(1,1:(Q-2));

P(3,4:Q)=T(1,1:(Q-3));

P(4,5:Q)=T(1,1:(Q-4));

P(5,6:Q)=T(1,1:(Q-5));

plot(time,T)%繪制信號T曲線

xlabel('時間');

ylabel('目標信號');

title('待預測信號');

net=newlind(P,T);%根據輸入和期望輸出直接生成線性網絡

a=sim(net,P);%網絡測試

figure(2)

plot(time,a,time,T,'+')

xlabel('時間');

ylabel('輸出-目標+');

title('輸出信號和目標信號');

e=T-a;

figure(3)

plot(time,e)

hold on

plot([min(time) max(time)],[0 0],'r:')%可用plot(x,zeros(size(x)),'r:')代替

hold off

xlabel('時間');

ylabel('誤差');

title('誤差信號');

%通用BP神經網絡

P=[-1 -1 2 2;0 5 0 5];

t=[-1 -1 1 1];

net=newff(minmax(P),[3,1],{'tansig','purelin'},'traingd');

%輸入參數依次為:'樣本P范圍',[各層神經元數目],{各層傳遞函數},'訓練函數'

%訓練函數traingd--梯度下降法，有7個訓練參數.

%訓練函數traingdm--有動量的梯度下降法,附加1個訓練參數mc(動量因子，缺省為0.9)

%訓練函數traingda--有自適應lr的梯度下降法,附加3個訓練參數:lr_inc(學習率增長比，缺省為1.05;

%                 lr_dec(學習率下降比，缺省為0.7);max_perf_inc(表現函數增加最大比，缺省為1.04)

%訓練函數traingdx--有動量的梯度下降法中賦以自適應lr的方法，附加traingdm和traingda的4個附加參數

%訓練函數trainrp--彈性梯度下降法,可以消除輸入數值很大或很小時的誤差，附加4個訓練參數:

%             delt_inc(權值變化增加量，缺省為1.2);delt_dec(權值變化減小量，缺省為0.5);

%             delta0(初始權值變化，缺省為0.07);deltamax(權值變化最大值,缺省為50.0)

%             適合大型網絡

%訓練函數traincgf--Fletcher-Reeves共軛梯度法;訓練函數traincgp--Polak-Ribiere共軛梯度法;

%訓練函數traincgb--Powell-Beale共軛梯度法

%共軛梯度法占用存儲空間小,附加1訓練參數searchFcn(一維線性搜索方法,缺省為srchcha);缺少1個訓練參數lr

%訓練函數trainscg--量化共軛梯度法,與其他共軛梯度法相比，節約時間.適合大型網絡

%             附加2個訓練參數:sigma(因為二次求導對權值調整的影響參數，缺省為5.0e-5);

%                            lambda(Hessian陣不確定性調節參數，缺省為5.0e-7)

%             缺少1個訓練參數:lr

%訓練函數trainbfg--BFGS擬牛頓回退法,收斂速度快,但需要更多內存,與共軛梯度法訓練參數相同,適合小網絡

%訓練函數trainoss--一步正割的BP訓練法,解決了BFGS消耗內存的問題,與共軛梯度法訓練參數相同

%訓練函數trainlm--Levenberg-Marquardt訓練法,用於內存充足的中小型網絡

net=init(net);

net.trainparam.epochs=300;   %最大訓練次數(前缺省為10,自trainrp后，缺省為100)

net.trainparam.lr=0.05;     %學習率(缺省為0.01)

net.trainparam.show=50;     %限時訓練迭代過程(NaN表示不顯示，缺省為25)

net.trainparam.goal=1e-5; %訓練要求精度(缺省為0)

%net.trainparam.max_fail     最大失敗次數(缺省為5)

%net.trainparam.min_grad     最小梯度要求(前缺省為1e-10，自trainrp后，缺省為1e-6)

%net.trainparam.time       最大訓練時間(缺省為inf)

[net,tr]=train(net,P,t);     %網絡訓練

a=sim(net,P)                 %網絡仿真

%通用徑向基函數網絡——

%其在逼近能力,分類能力,學習速度方面均優於BP神經網絡

%在徑向基網絡中,徑向基層的散步常數是spread的選取是關鍵

%spread越大,需要的神經元越少,但精度會相應下降,spread的缺省值為1

%可以通過net=newrbe(P,T,spread)生成網絡,且誤差為0

%可以通過net=newrb(P,T,goal,spread)生成網絡,神經元由1開始增加,直到達到訓練精度或神經元數目最多為止

%GRNN網絡,迅速生成廣義回歸神經網絡(GRNN)

P=[4 5 6];

T=[1.5 3.6 6.7];

net=newgrnn(P,T);

%仿真驗證

p=4.5;

v=sim(net,p)

%PNN網絡,概率神經網絡

P=[0 0 ;1 1;0 3;1 4;3 1;4 1;4 3]';

Tc=[1 1 2 2 3 3 3];

%將期望輸出通過ind2vec()轉換,並設計、驗證網絡

T=ind2vec(Tc);

net=newpnn(P,T);

Y=sim(net,P);

Yc=vec2ind(Y)

%嘗試用其他的輸入向量驗證網絡

P2=[1 4;0 1;5 2]';

Y=sim(net,P2);

Yc=vec2ind(Y)

%應用newrb()函數構建徑向基網絡,對一系列數據點進行函數逼近

P=-1:0.1:1;

T=[-0.9602 -0.5770 -0.0729 0.3771 0.6405 0.6600 0.4609...

0.1336 -0.2013 -0.4344 -0.500 -0.3930 -0.1647 -0.0988...

0.3072 0.3960 0.3449 0.1816 -0.0312 -0.2189 -0.3201];

%繪制訓練用樣本的數據點

plot(P,T,'r*');

title('訓練樣本');

xlabel('輸入向量P');

ylabel('目標向量T');

%設計一個徑向基函數網絡，網絡有兩層,隱層為徑向基神經元,輸出層為線性神經元

%繪制隱層神經元徑向基傳遞函數的曲線

p=-3:.1:3;

a=radbas(p);

plot(p,a)

title('徑向基傳遞函數')

xlabel('輸入向量p')

%隱層神經元的權值、閾值與徑向基函數的位置和寬度有關,只要隱層神經元數目、權值、閾值正確,可逼近任意函數

%例如

a2=radbas(p-1.5);

a3=radbas(p+2);

a4=a+a2*1.5+a3*0.5;

plot(p,a,'b',p,a2,'g',p,a3,'r',p,a4,'m--')

title('徑向基傳遞函數權值之和')

xlabel('輸入p');

ylabel('輸出a');

%應用newrb()函數構建徑向基網絡的時候,可以預先設定均方差精度eg以及散布常數sc

eg=0.02;

sc=1;   %其值的選取與最終網絡的效果有很大關系,過小造成過適性,過大造成重疊性

net=newrb(P,T,eg,sc);

%網絡測試

plot(P,T,'*')

xlabel('輸入');

X=-1:.01:1;

Y=sim(net,X);

hold on

plot(X,Y);

hold off

legend('目標','輸出')

%應用grnn進行函數逼近

P=[1 2 3 4 5 6 7 8];

T=[0 1 2 3 2 1 2 1];

plot(P,T,'.','markersize',30)

axis([0 9 -1 4])

title('待逼近函數')

xlabel('P')

ylabel('T')

%網絡設計

%對於離散數據點,散布常數spread選取比輸入向量之間的距離稍小一些

spread=0.7;

net=newgrnn(P,T,spread);

%網絡測試

A=sim(net,P);

hold on

outputline=plot(P,A,'o','markersize',10,'color',[1 0 0]);

title('檢測網絡')

xlabel('P')

ylabel('T和A')

%應用pnn進行變量的分類

P=[1 2;2 2;1 1]; %輸入向量

Tc=[1 2 3];       %P對應的三個期望輸出

%繪制出輸入向量及其相對應的類別

plot(P(1,:),P(2,:),'.','markersize',30)

for i=1:3

text(P(1,i)+0.1,P(2,i),sprintf('class %g',Tc(i)))

end

axis([0 3 0 3]);

title('三向量及其類別')

xlabel('P(1,:)')

ylabel('P(2,:)')

%網絡設計

T=ind2vec(Tc);

spread=1;

net=newgrnn(P,T,speard);

%網絡測試

A=sim(net,P);

Ac=vec2ind(A);

%繪制輸入向量及其相應的網絡輸出

plot(P(1,:),P(2,:),'.','markersize',30)

for i=1:3

text(P(1,i)+0.1,P(2,i),sprintf('class %g',Ac(i)))

end

axis([0 3 0 3]);

title('網絡測試結果')

xlabel('P(1,:)')

ylabel('P(2,:)')