神经网络计算机实验报告
(232XXX,模式识别与智能系统研究所)
4.16研究使用sigmoid非线形函数的反向传播学习方法获得一对一映射
1.f(x) = 1/x, 1≤x≤100
log x, 1≤x≤10
2.f(x) =
10
3.f(x) = exp(-x) , 1≤x≤10
4.f(x) = sinx, 0≤x≤π/2
对每个映射,完成如下工作:
(a)建立两个数据集,一个用于网络训练,另一个用于测试.
(b)假设具有单个隐藏层,利用训练数据集计算网络的突触权值.
(c)通过使用测试数据求网络计算精度的值
使用单个隐藏层,但隐藏神经元数目可变,研究网络性能是如何受到隐藏层影响的
解答:
一. 对于1-4的函数分别对(a).(b).(c)问题用Matlab求解,以下是结果及部分代码:
1. f(x) = 1/x, 1≤x≤100
(a)我们根据函数表达式可以建立两个数据集,即
训练集
P = [1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20….]
t = [1.0000 0.5000 0.3333 0.2500 0.2000 0.1667 0.1429 0.1250 0.1111 0.1000 0.0909 0.0833
0.0769 0.0714 0.0667 0.0625 0.0588 0.0556 0.0526 0.0500….];
测试集
p = [36 37 38 39 40 31 32 33 34 35 41 42 43 44 45 46 47 48 49 50];
t = [0.0278 0.0270 0.0263 0.0256 0.0250 0.0323 0.0313 0.0303 0.0294 0.0286 0.0244 0.0238
0.0233 0.0227 0.0222 0.0217 0.0213 0.0208 0.0204 0.0200];
(b)根据题目要求,我们首先初始化感知器,如下
pr = [1,100]; %设置感知器网络输入向量每个元素的值域
net = newp(pr,1) ;%定义感知器网络
https://www.doczj.com/doc/dd11622364.html,yers{1}.transferFcn = 'logsig' ;%指定感知器神经元的传输函数
其后,开始训练感知器网络和设置训练参数,并将(a)中的训练集输入网络中,
net.trainParam.epochs = 20;训练的最大步长
net.trainParam.goal = 0.1;训练的性能目标值
net.trainParam.show = 2;显示的间隔次数
net.trainParam.Ir = 0.05;学习率
[net,tr] = train(net,p,t);训练,tr为训练次数
save net4161 net; 储存网络
iw1 = net.IW{1};训练后网络的权值阈值(即所求的突触权值)
b1 = net.b{1};训练后网络的阈值
结果如下图所示
本题的答案为:
输入层网络的突触权值分别为：-0.27835，0.092986 ，-2.0044，0.35279
输出层网络的突触权值分别为：1.6957，-3.2632，5.1631，-0.8347
(c)根据以上的网络,我们可以输入测试集进行测试.
p1 = [31 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 50];
t1 = [0.0323 0.0313 0.0303 0.0294 0.0286 0.0278 0.0270 0.0263 0.0256 0.0250 0.0244
0.0238 0.0233 0.0227 0.0222 0.0217 0.0213 0.0208 0.0204 0.0200];
hold on
plot(p,t,'*');
load net4161 net;
p2 = 31:50;
r=sim(net,p2);
plot(p,r);
hold off
下图为仿真后的结果:
同理我们可以得到2，3，4题的结果，如下：
p=p1';t=t1'; [pn,minp,maxp,tn,mint,maxt]=premnmx(p,t); % 原始数据归一化 net=newff(minmax(pn),[5,1],{'tansig','purelin'},'traingdx'); %设置网络,建立相应的BP 网络net.trainParam.show=2000; % 训练网络 net.trainParam.lr=0.01; net.trainParam.epochs=100000; net.trainParam.goal=1e-5; [net,tr]=train(net ,pn,tn); %调用TRAINGDM 算法训练BP 网络 pnew=pnew1'; pnewn=tramnmx(pnew,minp,maxp); anewn=sim(net,pnewn); anew=postmnmx(anewn,mint,maxt); %对 BP 网络进行仿真%还原数据 y=anew'; 1、 BP 网络构建 （1）生成 BP 网络 net newff ( PR,[ S1 S2...SNl],{ TF1 TF 2...TFNl }, BTF , BLF , PF ) PR ：由R 维的输入样本最小最大值构成的R 2 维矩阵。 [ S1 S2...SNl] ：各层的神经元个数。 {TF 1 TF 2...TFNl } ：各层的神经元传递函数。 BTF ：训练用函数的名称。 （2）网络训练 [ net,tr ,Y, E, Pf , Af ] train (net, P, T , Pi , Ai ,VV , TV ) （3）网络仿真 [Y, Pf , Af , E, perf ] sim(net, P, Pi , Ai ,T ) {'tansig','purelin'},'trainrp' BP 网络的训练函数 训练方法 梯度下降法 有动量的梯度下降法 自适应 lr 梯度下降法 自适应 lr 动量梯度下降法弹性梯度下降法训练函数traingd traingdm traingda traingdx trainrp Fletcher-Reeves 共轭梯度法traincgf Ploak-Ribiere 共轭梯度法traincgp
数学实验报告 班级: 学号： 姓名： 实验序号：1 日期：年 月 日 实验名称：特殊函数与图形 ◆ 问题背景描述：绘图是数学中的一种重要手段，借助图形，可以使抽象的对象得到 明白直观的体现，如函数的性质等。同时，借助直观的图形，使初学者更容易接受新知识，激发学习兴趣。 ◆ 实验目的：本实验通过绘制一些特殊函数的图形，一方面展示这些函数的特点属性， 另一方面，就 Matlab 强大的作图功能作一个简单介绍。 实验原理与数学模型： 1、 球2222x y z R ++= ，x=Rsin φcos θ, y= Rsin φsin θ, z= cos φ, 0≤θ≤2π , 0≤φ≤π 环面 222222222()4(),(cos )cos ,x y z a r a x y x a r φθ+++-=+=- (cos )sin ,sin ,02,02y a r z r φθφφπθπ=-=≤≤≤≤ 2、 平面摆线：2 22 31150,(sin ),(1cos ),0233 x y x a t t y a t t π+-==-=-≤≤ 3、 空间螺线：（圆柱螺线）x=acost , y=asint , z=bt ;（圆锥螺线）22 cos ,sin ,x t t y t t z t === 4、 椭球面sin cos ,sin sin ,cos ,02,0x a y b z c φθφθφθπφπ===≤<≤≤ 双叶双曲面3 tan cos ,tan sin ,sec ,02,22 x a y b z c π φθφθφθπφπ===≤<- << 双曲抛物面2 sec ,tan 2 u x au y bu z θθ=== 实验所用软件及版本：mathematica(3.0) 主要内容（要点）： 1、 作出下列三维图形（球、环面） 2、 作出下列的墨西哥帽子 3、 作出球面、椭球面、双叶双曲面，单叶双曲面的图形 4、 试画出田螺上的一根螺线 5、 作出如图的马鞍面
实验一MATLAB操作基础 实验目的和要求： 1、熟悉MATLAB的操作环境及基本操作方法。 2、掌握MATLAB的搜索路径及设置方法。 3、熟悉MATLAB帮助信息的查阅方法 实验内容： 1、建立自己的工作目录，再设置自己的工作目录设置到MA TLAB搜索路径下，再试 验用help命令能否查询到自己的工作目录。 2、在MA TLAB的操作环境下验证课本；例1-1至例1-4，总结MATLAB的特点。 例1-1
例1-2 例1-3 例1-4
3、利用帮助功能查询inv、plot、max、round等函数的功能。 4、完成下列操作： （1）在matlab命令窗口输入以下命令： x=0:pi/10:2*pi; y=sin(x); （2）在工作空间窗口选择变量y，再在工作空间窗口选择回绘图菜单命令或在工具栏中单击绘图命令按钮，绘制变量y的图形，并分析图形的含义。
5、访问mathworks公司的主页，查询有关MATLAB的产品信息。 主要教学环节的组织： 教师讲授实验目的、开发环境界面、演示实验过程，然后同学上机练习。 思考题： 1、如何启动与退出MA TLAB集成环境？ 启动： （1）在windows桌面，单击任务栏上的开始按钮，选择‘所有程序’菜单项，然后选择MA TLAB程序组中的MA TLABR2008b程序选项，即可启动 MATLAB系统。 （2）在MA TLAB的安装路径中找到MA TLAB系统启动程序matlab.exe，然后运行它。 （3）在桌面上建立快捷方式后。双击快捷方式图标，启动MA TLAB。 退出： （1）在MA TLAB主窗口file菜单中选择exitMATLAB命令。 （2）在MA TLAB命令窗口中输入exit或quit命令。 （3）单击MATLAB主窗口的关闭按钮。 2、简述MATLAB的主要功能。 MATLAB是一种应用于科学计算领域的数学软件，它主要包括数值计算和符 号计算功能、绘图功能、编程语言功能以及应用工具箱的扩展功能。 3、如果一个MATLAB命令包含的字符很多，需要分成多行输入，该如何处理？
信号与系统MATLAB第一次实验报告 一、实验目的 1.熟悉MATLAB软件并会简单的使用运算和简单二维图的绘制。 2.学会运用MATLAB表示常用连续时间信号的方法 3.观察并熟悉一些信号的波形和特性。 4.学会运用MATLAB进行连续信号时移、反折和尺度变换。 5.学会运用MATLAB进行连续时间微分、积分运算。 6.学会运用MATLAB进行连续信号相加、相乘运算。 7.学会运用MATLAB进行连续信号的奇偶分解。 二、实验任务 将实验书中的例题和解析看懂，并在MATLAB软件中练习例题，最终将作业完成。 三、实验内容 1.MATLAB软件基本运算入门。 1). MATLAB软件的数值计算： 算数运算 向量运算：1.向量元素要用”[ ]”括起来，元素之间可用空格、逗号分隔生成行向量，用分号分隔生成列向量。2.x=x0:step:xn.其中x0位初始值，step表示步长或者增量，xn为结束值。 矩阵运算：1.矩阵”[ ]”括起来；矩阵每一行的各个元素必须用”,”或者空格分开； 矩阵的不同行之间必须用分号”;”或者ENTER分开。2.矩阵的加法或者减法运算是将矩阵的对应元素分别进行加法或者减法的运算。3.常用的点运算包括”.*”、”./”、”.\”、”.^”等等。
举例：计算一个函数并绘制出在对应区间上对应的值。 2).MATLAB软件的符号运算：定义符号变量的语句格式为”syms 变量名” 2.MATLAB软件简单二维图形绘制 1).函数y=f(x)关于变量x的曲线绘制用语：>>plot(x,y) 2).输出多个图像表顺序：例如m和n表示在一个窗口中显示m行n列个图像，p 表示第p个区域，表达为subplot(mnp)或者subplot(m,n,p) 3).表示输出表格横轴纵轴表达范围：axis([xmax,xmin,ymax,ymin]) 4).标上横轴纵轴的字母：xlabel(‘x’),ylabel(‘y’) 5).命名图像就在subplot写在同一行或者在下一个subplot前：title(‘……’) 6).输出：grid on 举例1：
神经网络的设计实例(MATLAB编程) 例1 采用动量梯度下降算法训练BP 网络。训练样本定义如下： 输入矢量为 p =[-1 -2 3 1 -1 1 5 -3] 目标矢量为t = [-1 -1 1 1] 解：本例的MATLAB 程序如下： close all clear echo on clc % NEWFF——生成一个新的前向神经网络% TRAIN——对BP 神经网络进行训练 % SIM——对BP 神经网络进行仿真pause % 敲任意键开始 clc % 定义训练样本 P=[-1, -2, 3, 1; -1, 1, 5, -3]; % P 为输入矢量T=[-1, -1, 1, 1]; % T 为目标矢量
clc % 创建一个新的前向神经网络 net=newff(minmax(P),[3,1],{'tansig','purelin'},'traingdm') % 当前输入层权值和阈值 inputWeights=net.IW{1,1} inputbias=net.b{1} % 当前网络层权值和阈值 layerWeights=net.LW{2,1} layerbias=net.b{2} pause clc % 设置训练参数 net.trainParam.show = 50; net.trainParam.lr = 0.05; net.trainParam.mc = 0.9; net.trainParam.epochs = 1000; net.trainParam.goal = 1e-3; pause clc % 调用TRAINGDM 算法训练BP 网络 [net,tr]=train(net,P,T);
实验一 名称：连续时间信号分析 姓名：王嘉琦 学号：201300800636 班级：通信二班 一、实验目的 （一）掌握使用Matlab 表示连续时间信号 1、学会运用Matlab 表示常用连续时间信号的方法 2、观察并熟悉常用信号的波形和特性 （二）掌握使用Matlab 进行连续时间信号的相关运算 1、学会运用Matlab 进行连续时间信号的时移、反褶和尺度变换 2、学会运用Matlab 进行连续时间信号微分、积分运算 3、学会运用Matlab 进行连续时间信号相加、相乘运算 4、学会运用Matlab 进行连续时间信号卷积运算 二、实验条件 Matlab 三、实验内容 1、利用Matlab 命令画出下列连续信号的波形图。 （1）)4/3t (2cos π+ 代码： k=2;w=3;phi=pi/4; t=0:0.01:3; ft=k*cos(w*t+phi); plot(t,ft),grid on; axis([0,3,-2.2,2.2]) title('余弦信号')
（2） )t (u )e 2(t -- 代码： k=-1;a=-1; t=0:0.01:3; ft=2-k*exp(a*t); plot(t,ft),grid on axis([0,3,2,3]) title('指数信号')
（3）)]2()(u )][t (cos 1[--+t u t π 代码： k=1;w=pi;phi=0; t=0:0.01:2; ft=1+k*cos(w*t+phi); plot(t,ft),grid on; axis([0,3,0,2]) title('余弦信号')
Matlab训练好的BP神经网络如何保存和读取方法（附实例说明） 看到论坛里很多朋友都在提问如何存储和调用已经训练好的神经网络。 本人前几天也遇到了这样的问题，在论坛中看了大家的回复，虽然都提到了关键的两个函数“save”和“load”，但或多或少都简洁了些，让人摸不着头脑（呵呵，当然也可能是本人太菜）。通过不断调试，大致弄明白这两个函数对神经网络的存储。下面附上实例给大家做个说明，希望对跟我有一样问题的朋友有所帮助。 如果只是需要在工作目录下保到当前训练好的网络，可以在命令窗口 输入：save net %net为已训练好的网络 然后在命令窗口 输入：load net %net为已保存的网络 加载net。 但一般我们都会在加载完后对网络进行进一步的操作，建议都放在M文件中进行保存网络和调用网络的操作 如下所示： %% 以函数的形式训练神经网络 functionshenjingwangluo() P=[-1,-2,3,1; -1,1,5,-3]; %P为输入矢量 T=[-1,-1,1,1,]; %T为目标矢量 net=newff(minmax(P),[3,1],{'tansig','purelin'},'traingdm') %创建一个新的前向神经网络 inputWeights=net.IW{1,1} inputbias=net.b{1} %当前输入层权值和阀值 layerWeights=net.LW{2,1} layerbias=net.b{2} net.trainParam.show=50; net.trainParam.lr=0.05; net.trainParam.mc=0.9;
实验一小球做自由落体运动内容：一小球竖直方向做自由落体，并无损做往返运动。程序： theta=0:0.01:2*pi x=cos(theta) y=sin(theta) l=1 v=1 while l<10 for t=1:10 y=y+(-1)^l*v*t plot(x,y,[-1,1],[-56,2],'.') axis equal pause(0.1) end l=l+1 end 结果：
-50 -40 -30 -20 -10 收获：通过运用小球自由落体规律，及（-1）^n 来实现无损往 返运动！ 实验二 旋转五角星 内容：一个五角星在圆内匀速旋转 程序：x=[2 2 2 2 2 2] y=[0 4/5*pi 8/5*pi 2/5*pi 6/5*pi 0] y1=2*sin(y) x1=2*cos(y) theta=0:4/5*pi:4*pi
x2=2*cos(theta) y2=2*sin(theta) plot(x,y,x1,y1,x2,y2) axis equal theta1=theta+pi/10 x2=2*cos(theta1) y2=2*sin(theta1) plot(x2,y2) axis equal theta=0:4/5*pi:4*pi for rot=pi/10:pi/10:2*pi x=2*cos(theta+rot) y=2*sin(theta+rot) plot(x,y) pause(0.1) end 结果：
-2 -1.5-1-0.500.51 1.52 -2-1.5-1-0.500.511.5 2 收获：通过theta1=theta+pi/10，我们可以实现五角星在圆内匀速 旋转！ 实验三 转动的自行车 内容：一辆自行车在圆内匀速转动 程序：x=-4:0.08:4; y=sqrt(16-x.^2); theta1=-pi/2:0.01*pi:3*pi/2; x3=0.5*cos(theta1); y3=0.5*sin(theta1); theta=-pi/2+0.02*pi for k=1:100
MATLAB程序设计语言 实 验 报 告 专业及班级：电子信息工程 姓名：王伟 学号：1107050322 日期 2013年6月20日
实验一 MATLAB 的基本使用 【一】 实验目的 1.了解MATALB 程序设计语言的基本特点，熟悉MATLAB 软件的运行环境； 2.掌握变量、函数等有关概念，掌握M 文件的创建、保存、打开的方法，初步具备将一般数学问题转化为对应计算机模型处理的能力； 3.掌握二维图形绘制的方法，并能用这些方法实现计算结果的可视化。 【二】 MATLAB 的基础知识 通过本课程的学习，应基本掌握以下的基础知识： 一. MATLAB 简介 二. MATLAB 的启动和退出 三. MATLAB 使用界面简介 四. 帮助信息的获取 五. MATLAB 的数值计算功能 六. 程序流程控制 七. M 文件 八. 函数文件 九. MATLAB 的可视化 【三】上机练习 1. 仔细预习第二部分内容，关于MATLAB 的基础知识。 2. 熟悉MATLAB 环境，将第二部分所有的例子在计算机上练习一遍 3. 已知矩阵???? ??????=??????????=123456789,987654321B A 。求A*B ，A .* B ，比较二者结果是否相同。并利用MATLAB 的内部函数求矩阵A 的大小、元素和、长度以 及最大值。 程序代码： >> A=[1 2 3;4 5 6;7 8 9]; >> B=[9 8 7;6 5 4;3 2 1]; >> A*B ans =
30 24 18 84 69 54 138 114 90 >> A.*B ans = 9 16 21 24 25 24 21 16 9 两者结果不同 >> [m,n]=size(A) m = 3 n = 3 >> b=sum(A) b = 12 15 18 >> a=length(A) a = 3 >>max(A) ans =
实验一 Matlab基础知识 一、实验目的： 1.熟悉启动和退出Matlab的方法。 2.熟悉Matlab命令窗口的组成。 3.掌握建立矩阵的方法。 4.掌握Matlab各种表达式的书写规则以及常用函数的使 用。 二、实验内容： 1.求[100，999]之间能被21整除的数的个数。（rem） 2.建立一个字符串向量，删除其中的大写字母。（find） 3.输入矩阵，并找出其中大于或等于5的元素。（find） 4.不采用循环的形式求出和式 63 1 2i i= ∑ 的数值解。(sum) 三、实验步骤： ●求[100，199]之间能被21整除的数的个数。（rem） 1.开始→程序→Matlab 2.输入命令： ?m=100:999; ?p=rem(m,21); ?q=sum(p==0) ans=43 ●建立一个字符串向量，删除其中的大写字母。（find） 1.输入命令：
?k=input('’,’s’)； Eie48458DHUEI4778 ?f=find(k>=’A’&k<=’Z’)； f=9 10 11 12 13 ?k(f)=[ ] K=eie484584778 ●输入矩阵，并找出其中大于或等于5的元素。（find） 1.输入命令： ?h=[4 8 10;3 6 9; 5 7 3]； ?[i,j]=find(h>=5) i=3 j=1 1 2 2 2 3 2 1 3 2 3 ●不采用循环的形式求出和式的数值解。（sum） 1.输入命令： ?w=1:63； ?q=sum(2.^w) q=1.8447e+019
实验二 Matlab 基本程序 一、 实验目的： 1. 熟悉Matlab 的环境与工作空间。 2. 熟悉M 文件与M 函数的编写与应用。 3. 熟悉Matlab 的控制语句。 4. 掌握if,switch,for 等语句的使用。 二、 实验内容： 1. 根据y=1+1/3+1/5+……+1/（2n-1）,编程求：y<5时最大n 值以及对应的y 值。 2. 编程完成，对输入的函数的百分制成绩进行等绩转换，90~100为优，80~89为良，70~79为中，60~69为及格。 3. 编写M 函数文件表示函数 ，并分别求x=12和56时的函数值。 4. 编程求分段函数 2226;03 56;0532 1;x x x x y x x x x x x x +-<≠=-+≤<≠≠-+且且及其它，并求输入x=[-5.0,-3.0,1.0,2.0,2.5,3.0,3.5]时的输出y 。 三、 实验步骤： 根据y=1+1/3+1/5+……+1/（2n-1）,编程求：y<5时最大n 值以及对应的y 值。 1. 打开Matlab ，新建M 文件 2. 输入命令： 51022-+x
实验二 MATLAB矩阵及其运算 学号：3121003104 姓名：刘艳琳专业：电子信息工程1班日期：2014.9.20 一实验目的 1、掌握Matlab数据对象的特点以及数据的运算规则。 2、掌握Matlab中建立矩阵的方法以及矩阵处理的方法。 3、掌握Matlab分析的方法。 二实验环境 PC_Windows 7旗舰版、MATLAB 7.10 三实验内容 4、1. （1）新建一个.m文件，验证书本第15页例2-1； （2）用命令方式查看和保存代码中的所有变量；
（3）用命令方式删除所有变量； （4）用命令方式载入变量z。 2. 将x=[4/3 1.2345e-6]在以下格式符下输出：短格式、短格式e方式、长格式、长格式e方式、银行格式、十六进制格式、+格式。 短格式 短格式e 长格式
长格式e方式 银行格式 十六进制格式 3.计算下列表达式的值 （1）w=sqrt(2)*(1+0.34245*10^(-6)) （2）x=(2*pi*a+(b+c)/(pi+a*b*c)-exp(2))/(tan(b+c)+a) a=3.5;b=5;c=-9.8; （3）y=2*pi*a^2*((1-pi/4)*b-(0.8333-pi/4)*a) a=3.32;b=-7.9; （4）z=0.5*exp(2*t)*log(t+sqrt(1+t*t)) t=[2,1-3i;5,-0.65];
4. 已知A=[1 2 3 4 5 ;6 7 8 9 10;11 12 13 14 15;16 17 18 19 20]，对其进行如下操作：（1）输出A在[ 7, 10]范围内的全部元素； （2）取出A的第2，4行和第1，3，5列； （3）对矩阵A变换成向量B，B=[1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20]； （4）删除A的第2，3，4行元素； (1) (2)
实验报告 实验项目名称MATLAB绘图 所属课程名称MATLAB及应用 实验类型上机实验 实验日期2015年12月日指导教师谢芹 班级 学号 姓名 成绩
一、实验名称 MATLAB绘图 二、实验目的 （1）掌握绘制二维图形的常用函数。 （2）掌握绘制三维图形的常用函数。 （3）掌握绘制图形的辅助操作 三、实验原理 1. 绘制二维图形的常用函数 plot函数绘制二维曲线，常用格式有： plot(x)：缺省自变量的绘图格式，x可为向量或矩阵。 plot(x, y)：基本格式，x和y可为向量或矩阵。 plot(x1, y1, x2, y2,…)：多条曲线绘图格式，在同一坐标系中绘制多个图形。 plot(x, y, ‘s’)：开关格式，开关量字符串s设定了图形曲线的颜色、线型及标示符号。 2. 绘制三维图形的常用函数 （1）三维曲线图——plot3函数 plot3(x1, y1, z1, 's1', x2, y2, z2, 's2'…) （2）三维网格图——mesh函数为数据点绘制网格线： mesh(z) —— z为n×m的矩阵，x与y坐标为元素的下标位置 mesh(x, y, z) —— x, y, z分别为三维空间的坐标位置 （3）三维曲面图——由surf函数完成的，用法和mesh类似。 3. 绘制图形的辅助操作 title ——给图形加标题 xlable ——给x轴加标注 ylable ——给y轴加标注 text ——在图形指定的任意位置加标注 gtext ——利用鼠标将标注加到图形任意位置 grid on ——打开坐标网格线
grid off ——关闭坐标网格线 legend —— 添加图例 axis —— 控制坐标轴刻度 4. 特殊坐标系 极坐标图形—— polar(theta,rho(i,:)) 四、实验内容 1、绘制23sin(23)26 t y t e π-=+和它的导数在[0,4π]的曲线，并用适当的字体、大小标注其x 轴、y 轴及其函数。 2、采用两种不同方法绘制224y x xe z --=在]3,3[,-∈y x 的三维（透视）网格曲面。（提示：ezmesh; mesh; hidden ） 3、绘制下列极坐标图形 r=3(1-cos θ) r=2(1+cos θ) r=2(1+sin θ) r=cos3 θ r=exp(4π θ) 4、在同一坐标内，分别用不同线型和颜色绘制曲线0.510.2cos4x y e x π-= 和0.522cos x y e x π-=，标记两曲线交叉点。 五、实验过程及结果（含源代码） 六、实验总结
神经网络Matlab p=p1';t=t1'; [pn,minp,maxp,tn,mint,maxt]=premnmx(p,t); %原始数据归一化net=newff(minmax(pn),[5,1],{'tansig','purelin'},'traingdx');%设置网络,建立相应的BP网络 net.trainParam.show=2000; % 训练网络 net.trainParam.lr=0.01; net.trainParam.epochs=100000; net.trainParam.goal=1e-5; [net,tr]=train(net ,pn,tn); %调用TRAINGDM算法训练BP网络 pnew=pnew1'; pnewn=tramnmx(pnew,minp,maxp); anewn=sim(net,pnewn); %对BP网络进行仿真 anew=postmnmx(anewn,mint,maxt); %还原数据 y=anew'; 1、BP网络构建 （1）生成BP网络 = net newff PR S S SNl TF TF TFNl BTF BLF PF (,[1 2...],{ 1 2...},,,) R?维矩阵。 PR：由R维的输入样本最小最大值构成的2
S S SNl：各层的神经元个数。 [1 2...] TF TF TFNl：各层的神经元传递函数。 { 1 2...} BTF：训练用函数的名称。 （2）网络训练 = [,,,,,] (,,,,,,) net tr Y E Pf Af train net P T Pi Ai VV TV （3）网络仿真 = [,,,,] (,,,,) Y Pf Af E perf sim net P Pi Ai T {'tansig','purelin'},'trainrp' BP网络的训练函数 训练方法训练函数 梯度下降法traingd 有动量的梯度下降法traingdm 自适应lr梯度下降法traingda 自适应lr动量梯度下降法traingdx 弹性梯度下降法trainrp Fletcher-Reeves共轭梯度法traincgf Ploak-Ribiere共轭梯度法traincgp Powell-Beale共轭梯度法traincgb 量化共轭梯度法trainscg 拟牛顿算法trainbfg 一步正割算法trainoss Levenberg-Marquardt trainlm
实验报告 2. The Branching statements 一、实验目的： 1.To grasp the use of the branching statements; 2.To grasp the top-down program design technique. 二、实验内容及要求： 1．实验内容： 1).编写 MATLAB 语句计算 y(t)的值 (Write the MATLAB program required to calculate y(t) from the equation) ???<+≥+-=0 530 53)(2 2t t t t t y 已知 t 从-5到 5 每隔0.5取一次值。运用循环和选择语句进行计算。 (for values of t between -5 and 5 in steps of 0.5. Use loops and branches to perform this calculation.) 2).用向量算法解决练习 1, 比较这两个方案的耗时。 （tic ，toc 的命令可以帮助你完成的时间计算，请使用'help'函数）。 Rewrite the program 1 using vectorization and compare the consuming time of these two programs. (tic, toc commands can help you to finish the time calculation, please use the …help ? function). 2.实验要求： 在报告中要体现top-down design technique, 对于 3 要写出完整的设计过程。 三、设计思路： 1．用循环和选择语句进行计算： 1).定义自变量t ：t=-5:0.5:5; 2).用循环语句实现对自变量的遍历。 3).用选择语句实现对自变量的判断，选择。 4).将选择语句置入循环语句中，则实现在遍历中对数据的选择，从而实现程序的功能。 2. 用向量法实现： 1).定义自变量t ：t=-5:0.5:5; 2).用 b=t>=0 语句，将t>=0得数据选择出，再通过向量运算y(b)=-3*t(b).^2 + 5; 得出结果。 3).用取反运算，选择出剩下的数据，在进行向量运算，得出结果。 四、实验程序和结果 1.实验程序 实验程序：创建m 文件：y_t.m
Matlab实验报告 实验二图像处理 一、实验目的 （1）通过应用MA TLAB语言编程实现对图像的处理，进一步熟悉MATLAB软件的编程及应用； （2）通过实验进一步掌握图像处理的基本技术和方法。 二、实验内容及代码 ㈠.应用MA TLAB语言编写显示一幅灰度图像、二值图像、索引图像及彩色图像的程序，并进行相互之间的转换 首先，在matlab页面中的current directory下打开存放图像的文件夹。 1.显示各种图像 ⑴显示彩色图像： ①代码：>> mousetif=imread('tif.TIF'); >> image(mousetif) 显示截图： ②代码：>> mousetif=imread('tif.TIF'); >> imshow(mousetif) 显示截图：
③代码：mousetif=imread('tif.TIF'); subimage(mousetif) 显示截图： 显示截图：
⑵显示二值图像 ①代码：>> I=imread('单色bmp.bmp'); >> imagesc(I,[0 2]) 显示截图： ②代码：>> I=imread('单色bmp.bmp');
>> imshow(I,2) 显示截图： ③代码：>> I=imread('单色bmp.bmp'); >> subimage(I) 显示截图：
⑶显示灰度图像 ①代码：>> I1=imread('256bmp.bmp'); >> imagesc(I1,[0,256]) 显示截图： 代码：>> I1=imread('256bmp.bmp'); >> colormap(gray); >> subplot(1,2,1); >> imagesc(I1,[0,256]); >> title('灰度级为[0 256]的mouse.bmp图'); >> subplot(1,2,2); >> imagesc(I1,[0,64]); >> colormap(gray); >> title('灰度级为[0 64]的mouse.bmp图'); 显示截图：
基于MATLAB的BP神经网络工具箱函数 最新版本的神经网络工具箱几乎涵盖了所有的神经网络的基本常用模型，如感知器和BP网络等。对于各种不同的网络模型，神经网络工具箱集成了多种学习算法，为用户提供了极大的方便[16]。Matlab R2007神经网络工具箱中包含了许多用于BP网络分析与设计的函数，BP网络的常用函数如表3.1所示。 3.1.1BP网络创建函数 1) newff 该函数用于创建一个BP网络。调用格式为： net=newff net=newff(PR,[S1S2..SN1],{TF1TF2..TFN1},BTF,BLF,PF) 其中， net=newff;用于在对话框中创建一个BP网络。 net为创建的新BP神经网络； PR为网络输入向量取值范围的矩阵； [S1S2…SNl]表示网络隐含层和输出层神经元的个数； {TFlTF2…TFN1}表示网络隐含层和输出层的传输函数，默认为‘tansig’； BTF表示网络的训练函数，默认为‘trainlm’； BLF表示网络的权值学习函数，默认为‘learngdm’； PF表示性能数，默认为‘mse’。
2）newcf函数用于创建级联前向BP网络，newfftd函数用于创建一个存在输入延迟的前向网络。 3.1.2神经元上的传递函数 传递函数是BP网络的重要组成部分。传递函数又称为激活函数，必须是连续可微的。BP网络经常采用S型的对数或正切函数和线性函数。 1) logsig 该传递函数为S型的对数函数。调用格式为： A=logsig（N） info=logsig（code） 其中， N：Q个S维的输入列向量； A：函数返回值，位于区间（0，1）中； 2）tansig 该函数为双曲正切S型传递函数。调用格式为： A=tansig（N） info=tansig（code） 其中， N：Q个S维的输入列向量； A：函数返回值，位于区间（-1，1）之间。 3）purelin 该函数为线性传递函数。调用格式为： A=purelin（N） info=purelin（code） 其中， N：Q个S维的输入列向量； A：函数返回值，A=N。 3.1.3BP网络学习函数 1）learngd 该函数为梯度下降权值/阈值学习函数，它通过神经元的输入和误差，以及权值和阈值的学习效率，来计算权值或阈值的变化率。调用格式为： [dW,ls]=learngd(W,P,Z,N,A,T,E,gW,gA,D,LP,LS) [db,ls]=learngd(b,ones(1,Q),Z,N,A,T,E,gW,gA,D,LP,LS)
MATLAB实验报告 一、实验名称 实验4图形绘制（1） 二、实验目的： 熟悉和掌握MA TLAB基本的二维图形绘制函数。 三、实验内容： 1．绘制简单的二维图形 2．一个坐标系绘制多幅图形 3.图形标识和坐标控制 4.交互式图形指令 四、回答问题： （本次实验未预留问题） 五、遇到的问题及解决： 遇到了求y=lnx时，输入“y=ln(x)”不被软件识别的问题，查看常用数学函数表后改为y=log(x)成功解决。 在求10x时不知道用什么函数，函数表里也查不到，在老师的点拨下用“y=10.^x”解决。 在绘图时发现默认线型不够明显，查表后使用尖三角、叉号代替默认线型。 六、体会： 本次实验我学会了利用MATLAB绘制图形的基本方法，以及相应的备注方法。 难点是了解各种函数的具体作用并熟练掌握。 体会是：多学多练，孰能生巧，日积月累，必有提高。
思考题： 1.在同一坐标系绘制t3,-t2,t2sint在[0,2π]内的曲线图。 x=0:pi/50:2*pi; y1=t.*t.*t; y2=-t.*t; y3=t.*t.*sin(t); plot(t,y1,'^k',t,y2,'.k',t,y3,'xk'); legend('\ity=t^3','\ity=-t^2','\itt^2*sint'); 2.在一幅图中画出4幅子图，分别绘制sin2x，tanx，lnx，10x的图形，并加上适当的图形注释。注意：把函数变成MATLAB对应的形式。 x=0:pi/50:2*pi; y1=sin(2*t); y2=tan(x); y3=log(x); y4=10.^x; subplot(2,2,1) plot(x,y1); legend('y=sin2x'); subplot(2,2,2) plot(x,y2) legend('y=tanx'); subplot(2,2,3) plot(x,y3)
bp神经网络及matlab实现 分类：算法学习2012-06-20 20:56 66399人阅读评论(28) 收藏举报网络matlab算法functionnetworkinput 本文主要内容包括：(1) 介绍神经网络基本原理，(2) https://www.doczj.com/doc/dd11622364.html,实现前向神经网络的方法，(3) Matlab实现前向神经网络的方法。 第0节、引例 本文以Fisher的Iris数据集作为神经网络程序的测试数据集。Iris数据集可以在https://www.doczj.com/doc/dd11622364.html,/wiki/Iris_flower_data_set 找到。这里简要介绍一下Iris数据集： 有一批Iris花，已知这批Iris花可分为3个品种，现需要对其进行分类。不同品种的Iris花的花萼长度、花萼宽度、花瓣长度、花瓣宽度会有差异。我们现有一批已知品种的Iris花的花萼长度、花萼宽度、花瓣长度、花瓣宽度的数据。 一种解决方法是用已有的数据训练一个神经网络用作分类器。 如果你只想用C#或Matlab快速实现神经网络来解决你手头上的问题，或者已经了解神经网络基本原理，请直接跳到第二节——神经网络实现。 第一节、神经网络基本原理 1. 人工神经元( Artificial Neuron )模型 人工神经元是神经网络的基本元素，其原理可以用下图表示：
图1. 人工神经元模型 图中x1~xn是从其他神经元传来的输入信号，wij表示表示从神经元j到神经元i的连接权值，θ表示一个阈值( threshold )，或称为偏置( bias )。则神经元i的输出与输入的关系表示为： 图中yi表示神经元i的输出，函数f称为激活函数 ( Activation Function )或转移函数( Transfer Function ) ，net称为净激活(net activation)。若将阈值看成是神经元i的一个输入x0的权重wi0，则上面的式子可以简化为： 若用X表示输入向量，用W表示权重向量，即： X = [ x0 , x1 , x2 , ....... , xn ]
用遗传算法优化BP神经网络的 Matlab编程实例 由于BP网络的权值优化是一个无约束优化问题，而且权值要采用实数编码，所以直接利用Matlab遗传算法工具箱。以下贴出的代码是为一个19输入变量，1个输出变量情况下的非线性回归而设计的，如果要应用于其它情况，只需改动编解码函数即可。 程序一：GA训练BP权值的主函数 function net=GABPNET(XX,YY) %-------------------------------------------------------------------------- % GABPNET.m % 使用遗传算法对BP网络权值阈值进行优化，再用BP 算法训练网络 %-------------------------------------------------------------------------- %数据归一化预处理 nntwarn off XX=premnmx(XX); YY=premnmx(YY); %创建网络 net=newff(minmax(XX),[19,25,1],{'tansig','tansig','purelin'},' trainlm'); %下面使用遗传算法对网络进行优化 P=XX; T=YY; R=size(P,1); S2=size(T,1); S1=25;%隐含层节点数 S=R*S1+S1*S2+S1+S2;%遗传算法编码长度 aa=ones(S,1)*[-1,1]; popu=50;%种群规模 initPpp=initializega(popu,aa,'gabpEval');%初始化种群 gen=100;%遗传代数 %下面调用gaot工具箱，其中目标函数定义为gabpEval [x,endPop,bPop,trace]=ga(aa,'gabpEval',[],initPpp,[1e-6 1 1],'maxGenTerm',gen,... 'normGeomSelect',[0.09],['arithXover'],[2],'nonUnifMutatio n',[2 gen 3]); %绘收敛曲线图 figure(1) plot(trace(:,1),1./trace(:,3),'r-'); hold on plot(trace(:,1),1./trace(:,2),'b-'); xlabel('Generation'); ylabel('Sum-Squared Error'); figure(2) plot(trace(:,1),trace(:,3),'r-'); hold on plot(trace(:,1),trace(:,2),'b-'); xlabel('Generation'); ylabel('Fittness'); %下面将初步得到的权值矩阵赋给尚未开始训练的BP网络 [W1,B1,W2,B2,P,T,A1,A2,SE,val]=gadecod(x); net.LW{2,1}=W1; net.LW{3,2}=W2; net.b{2,1}=B1; net.b{3,1}=B2; XX=P; YY=T; %设置训练参数 net.trainParam.show=1; net.trainParam.lr=1; net.trainParam.epochs=50; net.trainParam.goal=0.001; %训练网络 net=train(net,XX,YY); 程序二：适应值函数 function [sol, val] = gabpEval(sol,options) % val - the fittness of this individual % sol - the individual, returned to allow for Lamarckian evolution % options - [current_generation] load data2 nntwarn off XX=premnmx(XX); YY=premnmx(YY); P=XX; T=YY; R=size(P,1); S2=size(T,1); S1=25;%隐含层节点数 S=R*S1+S1*S2+S1+S2;%遗传算法编码长度 for i=1:S, x(i)=sol(i); end; [W1, B1, W2, B2, P, T, A1, A2, SE, val]=gadecod(x);