程序设计基础ppt课件-----精品课件下载.ppt

实例1 matlab神经网络工具箱 1.1 网络数据对象的建立 net=newff([xm,xM],[h1,…,hk],{f1,…,fk}); xm,xM分别为列向量(行数为变量个数)，分别存储每个变量的最小值和最大值。 [h1,…,hk]表示网络各层的节点数, 一共有k层. {f1,…,fk}表示各层使用的传输函数，默认为’tansig’，即Sigmoid函数。还可使用函数’purelin’，即f(x)=x。 其它可看matlab帮助: help newff 1.2 网络数据对象net的属性 net.IW：来自输入层的加权矩阵。BP网络只用net.IW{1},表示各个输入变量对第1层各节点的加权矩阵。 net.LW：来自中间层的加权向量。 BP网络用net.IW{2,1}表示第1隐层个节点向下一层个节点的加权矩阵； net.IW{3,2}表示第2隐层向下一层的加权矩阵… net.b：各层的偏移。Net.b{1}表示第1隐层个节点的偏移… net.trainParam.epochs：最大训练步数。不过当误差准则满足时，即使没达到此步数也停止训练。缺省为100。 net.trainParam.goad：网络误差准则，当误差小于此准则时停止训练，缺省为0。 net.trainFcn：训练算法。缺省为 ’trainlm’，即Levenberg-Marquardt算法。还可使用‘traingdx’，即带动量的梯度下降算法；’traincgf’，即共轭梯度法。 其它可看matlab帮助:help->contents-> Neural Network Toobox-> Network Object Reference; help(net.trainFcn) 1.3 网络的训练 [net,tr,Y1,E]=train(net,X,Y); net是函数newff建立的数据对象。 X为n*m的矩阵, n为输入变量个数, m为样本数(即把每个样本是一个列向量)。 Y为k*m的矩阵, k为数出变量个数。 tr返回训练的跟踪信息, tr.epochs为训练步数, tr.perf为各步目标函数的值。 Y1和E返回网络最终的输出和误差。 训练结束后可以用plotperf(tr)来绘制目标值随着训练步数变化的曲线。 1.4 网络的泛化(预测) Y=sim(net,X); net是函数newff建立的数据对象。 X为n*m的矩阵, n为输入变量个数, m为样本数(即把每个样本是一个行向量)。 Y为k*m的矩阵, k为数出变量个数。 2 例子:神经网络函数拟合(预测) 试构造合适的神经网络模型拟合如下数据点,并预测x=10的值: x 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 y 0 0.43 0.69 0.74 0.61 0.36 0.08 -0.17 -0.34 -0.4 x 5 5.5 6 6.5 7 7.5 8 8.5 9 9.5 y -0.35 -0.23 -0.08 0.06 0.16 0.21 0.2 0.15 0.07 -0.01 matlab代码 x=0:0.5:9.5; y=[0, 0.43, 0.69, 0.74, 0.61, 0.36, 0.08, -0.17, -0.34, -0.4, -0.35, -0.23, -0.08, 0.06, 0.16, 0.21, 0.2, 0.15, 0.07]; net = newff([0,9.5],[5, 1]); net.trainParam.epochs=100; net.trainParam.goad=0.000001; net = train(net,x,y); x1=0:0.1:10; y1=sim(net,x1); figure; plot(x,y,'.');hold on; plot(x1,y1,'r'); 此课件下载可自行编辑修改，供参考！ 感谢您的支持，我们努力做得更好！ * * 要通过该例程序讲清分支结构和循环结构中，“表达式”与“语句组”、“语句组”与“语句组”的分隔符问题： 1、表达式与其后的语句组的分隔有4种：空格、逗号、分号、回车换行。4种中的任何一种均可随时被采用。 2、其他语句之间的分隔，只有3种：逗号、分号、回车换行。包括对“else”、“case” 、“end”等特殊语句在内。3种中任何一种均可随时被采用。 3、所有语句后都用分号,程序不会错。 * * 闰年的条件是：1、能被4整除，但不能被100整除的年份都是闰年。 2、能被100整除，又能被400整除的年份是闰年。 * * 当输入为空时，switch不能接受mod(n,2)的结果。教材所举之例有错。 * * 1、判断一个数是否素数的方法