neural network.zip_Random Number _S函数BP网络_adding momentum_区间神经网络

%第五题 % %% 设置网络参数 % n=input('输入层神经元个数:'); %选择输入层节点数n % m=input('中间层神经元个数:'); %选择中间层节点数m % l=input('输出层神经元个数:'); %选择输出层节点数l % xite=input('输入学习率xite:'); %选用不同的学习率 % alfa=input('输入动量系数alfa:'); %选用不同的动量系数 % mode=input('选择单极或双极函数，单极输入1，双极输入2:'); %选择转移函数 %% 建立网络 [alphabet,targets]=prprob; alphabet = alphabet(:,[1 9 15]); %训练集 由26个标准字母组成的输入向量矩阵 从中选择字母A、I、O targets=targets(:,[1 9 15]); %目标值 [R,Q]=size(alphabet); [S2,Q]=size(targets); X=alphabet; %输入向量 S1=4; %net=newff(minmax(alphabet),[S1 S2],{'logsig' 'logsig'},'traingdx');%生成一个前馈BP网络 traingdx为带动量项的算法 net=newff(minmax(alphabet),[S1 S2],{'logsig' 'logsig'},'traingd');%生成一个前馈BP网络 traingd为标准BP算法 net.LW{2,1}=net.LW{2,1}*0.01; %线性网络的权值 net.b{2}=net.b{2}*0.01; %线性网络的偏差 T=targets; %目标向量 %% 训练网络 %利用不含噪声的理想输入数据训练网络 net.performFcn='sse'; %平方和误差函数 net.trainParam.goal=0.1; %训练目标误差 net.trainParam.show=20; %计算步长 net.trainParam.epochs=5000; %训练时间 net.trainParam.mc=0.95; %冲量参数?? X=alphabet;T=targets; %X为训练集，T为目标值 [net,tr]=train(net,X,T); %对神经网络进行训练 用变量net保存网络训练结果 %为使网络对输入有一定的容错能力，再利用含有噪声的输入数据训练网络 netn=net; %重新使用网络 net.trainParam.goal=0.6; %训练目标误差 net.trainParam.epochs=300; %训练时间 T=[targets targets targets targets]; for i=1:10 X=[alphabet+randn(R,Q)*0.1,alphabet+randn(R,Q)*0.2,alphabet+randn(R,Q)*0.1,alphabet+randn(R,Q)*0.2];%输入数据加噪声 [netn,tr] = train(netn,X,T); %对神经网络进行训练 end %为了保证网络总能够正确对理想输入信号进行识别，再次用理想信号进行训练 netn.trainParam.goal = 0.1; %训练目标误差 netn.trainParam.show = 5; %计算步长 net.trainParam.epochs = 500; %训练时间 X=alphabet; T=targets; [netn,tr]=train(netn,X,T); %对神经网络进行训练 %% 测试网络 noise_range=0:.05:.5; %产生噪声 max_test=100; %测试次数 噪声信号的个数 network1=[];network2=[];T=targets; for noiselevel=noise_range %依次加入误差（噪声） errors1=0;errors2=0; for i=1:max_test; %测试开始 X=alphabet+randn(35,3)*noiselevel; %输入中加入噪声 A=sim(net,X); %对神经网络进行仿真（不含噪声） AA=compet(A); %引入竞争函数，保证抗干扰能力 errors1=errors1+sum(sum(abs(AA-T)))/2; %误差计算（不含噪声） An=sim(netn,X); %对神经网络进行仿真（含噪声） AAn=compet(An); errors2=errors2+sum(sum(abs(AAn-T)))/2;%误差计算（含噪声） end network1=[network1 errors1/26/100]; %每个噪声信号在每个字母上产生的平均噪声 network2=[network2 errors2/26/100]; %每个噪声信号在每个字母上产生的平均噪声 end echo on clf %% 输出图形 plot(noise_range,network1*100,'--',noise_range,network2*100);%画图 title('识别误差'); %标题 xlabel('噪声指标'); %横坐标 ylabel('无噪声训练网络--有噪声训练网络--');%纵坐标 %仿真字母A noisyJ=alphabet(:,1)+randn(35,1)*0.2; %对字母A加噪声 figure; plotchar(noisyJ); %画出输入向量 A2=sim(net,noisyJ); %比较无噪声和有噪声时候的识别误差 A2=compet(A2); %引进竞争函数 answer=find(compet(A2)==1); %通过比较找出对应的输出向量 figure; plotchar(alphabet(:,1)); %画出网络识别后的图形 %仿真字母I noisyJ=alphabet(:,2)+randn(35,1)*0.2; %对字母I加噪声 figure; plotchar(noisyJ); A2=sim(net,noisyJ); A2=compet(A2); answer=find(compet(A2)==1); figure; plotchar(alphabet(:,2)); %仿真字母O noisyJ=alphabet(:,3)+randn(35,1)*0.2; figure; plotchar(noisyJ); A2=sim(net,noisyJ); A2=compet(A2); answer=find(compet(A2)==1); figure; plotchar(alphabet(:,3)); % noise_percent=0.2; % for k=1:3 % noisyChar=alphabet(:,k)+randn(35,1)*noise_percent; % subplot(6,9,k+floor(k/9.5)*9); % plotchar(noisyChar); % de_noisyChar=sim(net,noisyChar); % de_noisyChar=compet(de_noisyChar); % answer=find(de_noisyChar==1); % subplot(6,9,k+floor(k/9.5)*9+9); % plotchar(alphabet(:,answer)); % end set(gcf,'Position',[10,60,900,700],'color','w')