net.rar_paper_paper neural_神经网络控制_鏅鸿兘鎺у埗

%初始化正向权值w和反向权值v w=rands(18,2)/2+0.5; v=rands(5,18)/2+0.5; %输入向量P和目标向量T P=[0 0;0.5 0.5;0 0.5;1 3;0.5 1;1 0.5]; T=[1 0 0 0 0;1 0 0 0 0;0 1 0 0 0;0 0 1 0 0;0 0 0 1 0;0 0 0 0 1]; T_out=T; %设定学习步数为1000次 epoch=1000; %归一化输入向量P for i=1:6 if P(i,:)==[0 0] P(i,:)=P(i,:); else P(i,:)=P(i,:)/norm(P(i,:)); end end %开始训练 while epoch>0 for j=1:6 %归一化正向权值w for i=1:18 w(i,:)=w(i,:)/norm(w(i,:)); s(i)=P(j,:)*w(i,:)'; end %求输出为最大的神经元，即获胜神经元 temp=max(s); for i=1:18 if temp==s(i) count=i; end end %将所有竞争层神经元的输出置零 for i=1:18 s(i)=0; end %获胜神经元的输出置1 s(count)=1; %权值调整 w(count,:)=w(count,:)+0.1*[P(j,:)-w(count,:)]; w(count,:)=w(count,:)/norm(w(count,:)); v(:,count)=v(:,count)+0.1*(T(j,:)'-T_out(j,:)'); %计算网络输出 T_out(j,:)=v(:,count)'; end %训练次数递减 epoch=epoch-1; end %训练结束 T_out %网络回想 %网络的输入模式Pc Pc=[0.5 1;1 3]; %初始化Pc for i=1:2 if Pc(i,:)==[0 0] Pc(i,:)=Pc(i,:); else Pc(i,:)=Pc(i,:)/norm(Pc(i,:)); end end %网络输出 Outc=[0 0 0 0 0;0 0 0 0 0]; for j=1:2 for i=1:18 sc(i)=Pc(j,:)*w(i,:)'; end tempc=max(sc); for i=1:18 if tempc==sc(i) countp=i; end sc(i)=0; end sc(countp)=1; Outc(j,:)= v(:,countp)'; end %回想结束 Outc