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 为输入矢量 P=[0,0.5,1,1.5,2,2.5,3,3.5,4,4.5,5,5.5,6,6.5,7,7.5,8,8.5,9,9.5,10;0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20;sin(0.8),sin(1.6),sin(2.4),sin(3.2),sin(4),sin(4.8),sin(5.6),sin(6.4),sin(7.2),sin(8),sin(8.8),sin(9.6),sin(10.4),sin(11.2),sin(12),sin(12.8),sin(13.6),sin(14.4),sin(15.2),sin(16),sin(16.8)]; % T 为目标矢量 T=[7.17,12.25,11.75,7.67,4.43,6.29,14.69,27.42,39.94,48.14,50.85,50.51,51.72,58.46,71.63,88.57,104.59,115.91,121.86,125.37,131.12;]; C=[0.5,4,7.5,17.5;1,8,15,35;sin(1.6),sin(7.2),sin(12.8),sin(28.8);]; T1=[12.25,39.94,88.57,371.2321;]; pause; clc net=newff(minmax(P),[3,1],{'tansig','purelin'})% 创建一个新的前向神经网络 % 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); pause clc 将其显示图像

plot(tr.epoch,tr.perf) xlabel('训练次数') ylabel('误差') title('训练误差曲线') pause clc % 对 BP 神经网络进行仿真 Y=sim(net,P) pause clc % 显示仿真结果 figure(2) plot(C(1,:),T1,'b+',C(1,:),Y,'r*') xlabel('输入变量') ylabel('输出变量') title('BP 神经网络的仿真结果') legend('目标值','仿真值') grid on pause clc

相关问题

%% Hopfield神经网络的联想记忆——数字识别 %% 清空环境变量 clear all clc %% 数据导入 load data1 array_one load data2 array_two %% 训练样本（目标向量） T = [array_one;array_two]'; %% 创建网络 net = newhop(T); %% 数字1和2的带噪声数字点阵（固定法） load data1_noisy noisy_array_one load data2_noisy noisy_array_two %% 数字1和2的带噪声数字点阵（随机法） % noisy_array_one=array_one; % noisy_array_two=array_two; % for i = 1:100 % a = rand; % if a < 0.3 % noisy_array_one(i) = -array_one(i); % noisy_array_two(i) = -array_two(i); % end % end %% 数字识别 % 单步仿真——TS = 1(矩阵形式) % identify_one = sim(net,10,[],noisy_array_one'); % 多步仿真——元胞数组形式 noisy_one = {(noisy_array_one)'}; identify_one = sim(net,{10,10},{},noisy_one); identify_one{10}'; noisy_two = {(noisy_array_two)'}; identify_two = sim(net,{10,10},{},noisy_two); identify_two{10}';

这段代码是关于使用 Hopfield 神经网络进行数字识别的示例。首先，通过 `load` 命令从数据文件中导入 `array_one` 和 `array_two` 数组作为训练样本的目标向量。

然后，使用 `newhop()` 函数创建一个 Hopfield 神经网络模型 `net`，并将目标向量 `T` 用于网络的训练。

接下来，通过 `load` 命令从数据文件中导入 `noisy_array_one` 和 `noisy_array_two` 数组作为带噪声的数字点阵。这里提供了两种方式来生成带噪声的点阵：一种是固定法，另一种是随机法（注释部分）。你可以选择其中一种方式进行测试。

最后，通过调用 `sim()` 函数使用 Hopfield 神经网络模型对带噪声的点阵进行数字识别。先将 `noisy_array_one` 转换为单元素的 cell 数组 `noisy_one`，然后使用 `sim()` 函数进行多步仿真，并将结果保存在 `identify_one` 中。最后，将结果取出并转置，得到一个 10x1 的数组 `identify_one{10}'`。同样地，对 `noisy_array_two` 进行识别，并将结果保存在 `identify_two` 中，最后取出并转置结果。

请注意，这段代码中还存在一些注释部分，你可以根据需要选择是否解注释并使用相应的代码。

解释代码：clear clc close all tic %% 用importdata这个函数来读取文件 % shuju=importdata('cc101.txt'); load('cc101'); shuju=c101; % bl=importdata('103.txt'); bl=3; cap=60; %车辆最大装载量 ———————————————— 版权声明：本文为CSDN博主「张叔zh

这段代码是MATLAB代码，包含了以下几个部分：

1. `clear clc close all`：清MATLAB的工作区、命令窗口和图形窗口，以便开始一个新的任务。

2. `tic`：开始计时，用于衡量程序运行时间。

3. `shuju=importdata('cc101.txt');`：`importdata`函数用于从文本文件中读取数据，本行代码将文件`cc101.txt`中的数据读取到变量`shuju`中。

4. `load('cc101'); shuju=c101;`：`load`函数用于加载MATLAB的.mat格式文件，本行代码将文件`cc101.mat`中的数据读取到变量`c101`中，并将其赋值给变量`shuju`。

5. `bl=importdata('103.txt');`：同第3行代码，将文件`103.txt`中的数据读取到变量`bl`中。

6. `bl=3; cap=60;`：为变量`bl`和`cap`赋初值，分别表示车辆数量和车辆最大装载量。

这段代码的主要作用是读取数据文件，准备开始一个新的任务，并为变量赋初值。