10-4-2.m

有关神经网络理论与matlab r2007的实例与应用

%获得网络的输入样本P和目标样本T
P=[1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00;
0.80 0.87 0.89 0.82 0.78 0.80 0.75 0.33;
0.67 0.93 0.22 0.75 1.00 0.80 0.49 0.66;
0.92 0.80 0.89 0.92 0.89 0.80 1.00 1.00;
0.87 0.93 1.00 1.00 1.00 1.00 1.00 1.00;
0.80 0.72 0.89 0.82 0.89 0.80 0.75 1.00;
0.67 0.72 0.67 0.66 0.67 0.60 0.49 0.66;
0.72 0.80 0.78 0.75 0.78 0.80 0.75 0.66;
0.60 0.60 0.56 0.58 0.56 0.60 0.49 0.66;
0.47 0.47 0.44 0.41 0.44 0.40 0.49 0.35]';
T=[1.00 0.79 0.74 0.81 0.96 0.83 0.69 0.75 0.58 0.51];
%根据Kolmogorov定理，由输入层有8个结点，所以中间层有17个结点
%中间层神经元的传递函数为tansig
%输出层有1个结点，其神经元传递函数为logsig
%训练函数采用trainlm
net=newff(minmax(P),[17,1],{'tansig','logsig'},'trainlm');
%训练步数为1000次
%训练目标误差为0.001
net.trainParam.epochs=1000;
net.trainParam.goal=0.001;
net=train(net,P,T);
Y=sim(net,P);
%网络仿真
P_test=[0.40 0.40 0.33 0.33 0.33 0.40 0.49 0.35;
0.08 0.93 0.56 0.92 0.89 0.60 0.24 0.33;
0.67 0.60 0.89 0.82 1.00 0.80 0.75 0.29;
0.32 0.40 0.67 0.33 0.33 0.80 0.75 0.35;
0.87 0.72 0.89 0.92 0.89 0.40 0.49 0.29]';
Y=sim(net,P_test)