Matlab語(yǔ)言的Neural Network Toolbox 及其在同步中

子對象結構中包含了網(wǎng)絡(luò )單個(gè)對象的信息。神經(jīng)元的每一層有相同的傳輸函數net.transferFcn和網(wǎng)絡(luò )輸入函數net.netInputFcn，對于創(chuàng )建感知機采用hardlim和netsum函數。如果神經(jīng)元要有不同的傳輸函數，則將設計不同的層以滿(mǎn)足要求。參數net.Input-Weights和net.layerWeights描述了被應用的訓練函數以及它們的參數。

接下來(lái)敘述訓練函數、初始化函數和性能函數。

trainFcn和adaptFcn是2種不同的訓練方式，分別指批處理方式和增加方式或稱(chēng)在線(xiàn)方式。通過(guò)設置trainFcn的參數，就可以告訴Matlab哪種運算法被使用；在運用循環(huán)順序增加方式時(shí)，多用trainc函數。ANN工具箱包含大約20個(gè)訓練函數。性能函數用來(lái)測定ANN完成規定任務(wù)時(shí)的性能。對于感知機，它的平均差錯性能測定用函數mae；對于線(xiàn)性衰退系統，它的均方根差錯性能測定用函數mae。initFcn函數用來(lái)初始化網(wǎng)絡(luò )的權重和偏置。神經(jīng)網(wǎng)絡(luò )工具箱包含在nnet目錄中，鍵入help nnet可得到幫助主題。如果要將這些函數替換為工具箱里的其他函數或者是自己編寫(xiě)的函數，只需把這些函數名配置新的參數即可，例如：

通過(guò)改變參數，可以改變上面提到的函數的默認行為。最經(jīng)常用到的函數的參數就是：trainParam，格式：net.trainParam.epochs，用來(lái)設置運算的時(shí)間點(diǎn)的最大數目；格式：net.trainParam.show，用來(lái)設置性能測定間隔的時(shí)間點(diǎn)的數目?？梢酝ㄟ^(guò)輸入幫助help獲得更多信息。

網(wǎng)絡(luò )的權重和偏置也被存儲在下面的結構體里面：

IW(i，j)部分是一個(gè)二維的元胞矩陣，存儲輸入j與網(wǎng)絡(luò )層i的連接的權重。LW(i，j)部分，用來(lái)存儲網(wǎng)絡(luò )層j和網(wǎng)絡(luò )層i間連接的權重。元胞數組b存儲每一層的偏置向量。

2.2 模式分類(lèi)

如果一個(gè)問(wèn)題可以被分解為多個(gè)模式級別，則可以用神經(jīng)網(wǎng)絡(luò )來(lái)解決這一問(wèn)題。在大多數情況下，利用神經(jīng)網(wǎng)絡(luò )解決問(wèn)題是可能的。神經(jīng)網(wǎng)絡(luò )的函數用來(lái)接收輸入模式，然后輸出適合這一級別的模式。

這方面的例子由產(chǎn)生和訓練一個(gè)感知機對屬于3個(gè)不同等級的點(diǎn)進(jìn)行正確的分級。神經(jīng)網(wǎng)絡(luò )的輸入數據被定義如下：

X矩陣的每一行代表一個(gè)采樣點(diǎn)，采樣點(diǎn)的等級用矩陣C的相應元素值來(lái)描述。因為想要對3個(gè)不同的等級進(jìn)行區分，所以需要3個(gè)感知機，每一個(gè)等級有1個(gè)。相應的目標函數描述如下：

2.3 訓練與泛化

神經(jīng)網(wǎng)絡(luò )是模式分級的，但并不是所有的模式分級都指的是神經(jīng)網(wǎng)絡(luò )。下面將講述神將神經(jīng)網(wǎng)絡(luò )與其他分級的一些區別。它們的主要區別在2個(gè)屬性上：學(xué)習與泛化。

在使用電子存儲器解決數字分級器時(shí)，管理存儲器，特別是完成輸入的合并方面，花費很大精力。要求能夠通過(guò)給它較少數目的簡(jiǎn)單且具有正確響應的例子來(lái)解決問(wèn)題，這就指的是學(xué)習或稱(chēng)為訓練：系統學(xué)習識別默寫(xiě)特定的模式，然后給出正確的輸出響應。

某種程度上，這一部分已經(jīng)被如今的電子存儲器實(shí)現了。首先初始化設置存儲器的所有值為0，然后，調用范例對存儲器的值進(jìn)行訓練，將結果存入存儲器的相應位置。在相應的位置用1替換原來(lái)的0。1顯示了相應的輸入模式等級。訓練階段結束后，進(jìn)入實(shí)際操作。如果這些模式與訓練階段的模式是一樣的，則輸出結果就是正確的。

理想的，器件應該給出正確的響應，即使有些例子沒(méi)有明確的顯示。這部分被稱(chēng)為泛化。系統能夠推斷出例子給的不同模式等級的屬性。神經(jīng)網(wǎng)絡(luò )能夠做這種事，如果他們被正確操作，他們將對那些在訓練階段學(xué)習的模式非常相似的模式做出響應。那么，對于數字分級器來(lái)說(shuō)，這意味著(zhù)神經(jīng)網(wǎng)絡(luò )被數據范例進(jìn)行訓練，它就能正確地區分相似的數據，而以前這些都是次要的。這里設：