柬埔寨网站开发,百度网站收录,医疗网站建设管理,wordpress精致博客主题有导师学习神经网络的分类-鸢尾花种类识别
学习目标#xff1a; 线性神经网络收敛速度和精度比前一篇博客的感知器神经网络要高#xff0c; 主要应用在函数逼近#xff0c;信号预测#xff0c;模式识别#xff0c;系统辨识方面 clear all; close all; P[1.1 2.2 3.1 4.1]…有导师学习神经网络的分类-鸢尾花种类识别
学习目标 线性神经网络收敛速度和精度比前一篇博客的感知器神经网络要高 主要应用在函数逼近信号预测模式识别系统辨识方面 clear all; close all; P[1.1 2.2 3.1 4.1]; T[2.2 4.02 5.8 8.1]; lrmaxlinlr(P); %获取最大学习速率 netnewlin(minmax(P),1,0,lr); %建立线性神经网络 net.trainParam.epochs500; %训练 做多500次 net.trainParam.goal0.04; %训练误差设定为0.04 nettrain(net,P,T); Ysim(net,P) %仿真利用线性神经网络进行信号的预测 clear all; close all; t0:pi/10:4*pi; Xt.*sin(t); T2*X3; figure; plot(t,X,-,t,T,--); legend(系统输入,系统输出); set(gca,xlim,[0 4*pi]); set(gcf,position,[50,50,400,400]); netnewlind(X,T); ysim(net,X); figure; plot(t,y,:,t,y-T,r:); legend(网络预测输出,误差); set(gca,xlim,[0 4*pi]); set(gcf,position,[50,50,400,400]);
下面为重复程序
利用线性神经网络进行信号的预测 clear all; close all; t0:pi/10:4*pi; Xt.*sin(t); T2*X3; figure; plot(t,X,-,t,T,--); legend(系统输入,系统输出); set(gca,xlim,[0 4*pi]); set(gcf,position,[50,50,400,400]); netnewlind(X,T); ysim(net,X); figure; plot(t,y,:,t,y-T,r:); legend(网络预测输出,误差); set(gca,xlim,[0 4*pi]); set(gcf,position,[50,50,400,400]);
