神经网络实验报告(附代码)

实验一：单层感知器的MATLAB设计与实现1.实验要求：P=[0.10.70.80.81.00.30.0-0.3-0.5-1.5;1.21.81.60.60.80.50.20.8-1.5-1.3]T=[1110011100;0000011111]试用MATLAB实现编程分类，并检验。2、实验代码：clcclearfigure(gcf)%setfsize(300,300)echoonpause%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=[1110011100;0000011111];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([-21;-22],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);echooffk=pickic;ifk==2net.iw{1,1}=[-0.69260.6048;0.1433-0.9339];net.b{1}=[0.0689;-0.0030];endechoonplotpc(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)echooffclear3、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)10())),1(4sin(12sin(xxxy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)10())),1(4sin(12sin(xxxy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2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）2的大小对神经元的影响