p5.m

神经网络的很好分类例子

clf;
figure(gcf);
p=[0.8 -1.4];
t=[0.4 1.2];
w_range=-1:0.2:1;                         %权值从－1变为1步长0.2
b_range=-1:0.2:1;                         %阈值从－1变为1步长0.2
es=errsurf(p,t,w_range,b_range,'purelin');
plotes(w_range,b_range,es);
maxlr=0.40*maxlinlr(p,'bias');              %利用maxlr函数设置学习率
net=newlin([-2 2],1,[0],maxlr);              %设计一个具有最小误差的单层线性网络
net.trainparam.goal=.001;                  %设置误差
subplot(1,2,2);                           %在一个窗口内设置并行的两个子窗口
h=text(sum(get(gca,'xlim'))*0.5,sum(get(gca,'ylim'))*0.5,'*click on me*');      %标注
set(h,'horizontal','center','fontweight','bold');                             %设置h特性
[net.iw{1,1},net.b{1}]=ginput(1);            %设置用鼠标给定权值阈值
delete(h);
[net,tr]=train(net,p,t);                      %训练网络
format compact;
a=0;e=0;sse=0;
a=sim(net,p)
e=t-a;
sse=sumsqr(e);
plotes(w_range,b_range,es);
plotep(net.iw{1,1},net.b{1},sse);
plotperf(tr,net.trainparam.goal);              %绘制训练性能（目标，确认和测试性能）
% 结果：先用鼠标在error contour图上选取权值和阈值，比如w=-0.5,b=-0.2.
% TRAINWB,Epoch 0/100,MSE 0.748256/0.001.
% TRAINWB,Epoch 14/100,MSE 0.000628521/0.001.
% TRAINWB,Performance goal met.
% a=0.3647,1.1965.
% e=0.0353,0.0035.
% sse=0.0013.