wf1.m

实现wf功能

% wf1.m
%
P = [ 1 -1.2 ];		
T = [ 0.5 1 ];
[ R, Q ] = size (P);		
[S, Q] = size (T );	
max_epoch=20;
lr = 0.4*maxlinlr (P);		                 % 最佳学习速率
net = newlin(minmax(P),S,[0],lr);            % 创建线性网络
net.inputWeights{1,1}.initFcn='rands';		 % 初始化权值
net.biases{1}.initFcn='rands';				 % 初始化偏差
net = init(net);						  	 % 把初始化的权值和偏差函数赋给网络
W0 = net.iw{1,1}							 % 显示初始化权值和偏差
B0 = net.b{1}
net.trainParam.epochs = 40; 			     % 最大循环次数
net.trainParam.goal = 0.001; 			     % 期望误差
[net tr]=train(net,P,T);                     % 进行线性网络权值训练
tr
W = net.iw{1,1}						       	 % 显示网络训练后最终的权值和偏差
B = net.b{1}
A=sim(net,P)
figure(1)
plot ( P, T ,'bo');				% 在输入矢量空间绘画输入矢量和目标矢量的位置
axis ('equal'),					% 令横坐标和纵坐标等距离长度
title ('Input Vector Graph'),		% 写图标题
xlabel ('P'),			   	    % 写横轴标题
ylabel ('T'),	                % 写纵轴标题
hold on
plotpc (W0,B0);	% 绘制由W和B在输入平面中形成的初始分类线
pause
plotpc (W,B);	% 绘制由W和B在输入平面中形成的最终分类线
hold off