经典算法学习笔记——人工神经网络算法算法

Posted 2021-04-24 云之君兮纷纷而来丅

神经网络是一种模拟人脑的神经网络以期能够实现类人工智能的机器学习技术。它是目前最为火热的研究方向--深度学习的基础。学习神经网络不仅可以掌握一门强大的机器学习方法，同时也可以更好地帮助理解深度学习技术。

 感知神经网络案例参考

1958年，计算科学家Rosenblatt提出了由两层神经元组成的神经网络，他给它起了一个名字--“感知器”（Perceptron），感知器是当时首个可以学习的人工神经网络。

%% 用于点的分类的感知器神经网络 P=[0 0 1 1;0 1 0 1];                        T=[0 1 1 1]; net=newp(minmax(P),1,'hardlim','learnp'); net=train(net,P,T); Y=sim(net,P); plotpv(P,T); plotpc(net.iw{1,1},net.b{1});

线性神经网络 案例参考

线性神经网络主要应用在函数逼近，信号预测，模式识别，系统辨识方面，收敛速度和精度较感知器神经网络要高。

%%  用于进行信号预测的线性神经网络P=[1.1 2.2 3.1 4.1];T=[2.2 4.02 5.8 8.1];lr=maxlinlr(P); net=newlin(minmax(P),1,0,lr); net.trainParam.epochs=500; net.trainParam.goal=0.04; net=train(net,P,T);Y=sim(net,P)                       clear all;close all;t=0:pi/10:4*pi;X=t.*sin(t);T=2*X+3;figure;plot(t,X,'+-',t,T,'+--');legend('系统输入','系统输出');set(gca,'xlim',[0 4*pi]);set(gcf,'position',[50,50,400,400]);net=newlind(X,T);y=sim(net,X);figure;plot(t,y,'+:',t,y-T,'r:');legend('网络预测输出','误差');set(gca,'xlim',[0 4*pi]);set(gcf,'position',[50,50,400,400]);

径向基神经网络案例参考 

径向基神经网络可以以任意精度逼近任意连续函数。

%%  函数逼近P=1:10;T=[2.523 2.434 3.356 4.115 5.834 6.967 7.098 8.315 9.387 9.928];net=newrbe(P,T,2); y=sim(net,P)figure;plot(P,y-T,':+');title('误差曲线');

BP神经网络案例参考 

BP神经网络是一种多层的前馈神经网络，其主要的特点是：信号是前向传播的，而误差是反向传播的。

BP神经网络的过程主要分为两个阶段，第一阶段是信号的前向传播，从输入层经过隐含层，最后到达输出层；第二阶段是误差的反向传播，从输出层到隐含层，最后到输入层，依次调节隐含层到输出层的权重和偏置，输入层到隐含层的权重和偏置。

%%  BP神经网络模型辛烷值预测汽油浓度temp = randperm(size(NIR,1));      P_train = NIR(temp(1:50),:)'; T_train = octane(temp(1:50),:)';P_test = NIR(temp(51:end),:)';T_test = octane(temp(51:end),:)';N = size(P_test,2);[p_train, ps_input] = mapminmax(P_train,0,1);p_test = mapminmax('apply',P_test,ps_input);[t_train, ps_output] = mapminmax(T_train,0,1);              net = newff(p_train,t_train,9);    net.trainParam.epochs = 1000;   net.trainParam.goal = 1e-3; net.trainParam.lr = 0.01; net = train(net,p_train,t_train);t_sim = sim(net,p_test);      

RBF、GRNN和PNN神经网络案例参考

不行了，我要去打球了，咕咕咕