MATLAB 简单神经网络案例

学习目标:从学习第一个最简单的神经网络案例开启神经网络学习之路。
本神经网络为感知器网络，常用于点的分类。

clear all;
close all;          %第一步、第二部为清空环境变量
P=[0 0 1 1;0 1 0 1];%输入向量
T=[0 1 1 1];        %目标向量
net=newp(minmax(P),1,'hardlim','learnp'); %建立感知器神经网络
net=train(net,P,T);                       %对网络进行训练
Y=sim(net,P);                             % 对网络进行仿真  
plotpv(P,T);                              %绘制感知器的输入向量和目标向量，绘制样本点 
plotpc(net.iw{1,1},net.b{1});             %在感知器向量图中绘制分界线

1）P=[0 0 1 1;0 1 0 1];%输入向量。
输入向量P[0 0 1 1;0 1 0 1]为（x，y）二维矩阵；其表示的四个点为（0,0）,（0,1）,（1,0）,（1,1）。如下图所示：
在这里插入图片描述
2）T=[0 1 1 1]; %目标向量。
目标向量T[0 1 1 1]为一维矩阵，输入向量的元素与目标向量元素一一对应，（0,0）,（0,1）,（1,0）,（1,1）分别对应：0,1,1,1,1。

3）net=newp(minmax§,1,‘hardlim’,‘learnp’); %建立感知器神经网络
语法：net=newp[PR,S,TF,LF]
PR:Rx2的输入向量最大值和最小值构成的矩阵，此处由minmax（P）实现，即每一行的最大值最小值构成一行。
S：构造的神经元的个数
TF：激活函数的设置（传递函数），可设置为hardlim函数或者hardlins函数，默认为 hardlim函数；hardlim与hardlims的详细形式如下：
在这里插入图片描述
LF：学习修正函数的设置，可设置为learnp函数或者learnpn函数，默认为learnp函数

4）net=train(net,P,T); %对网络进行训练
语法：train（net,P,T）
net:被训练网络；
P:输入向量
T:目标向量
补充：net.trainParam.epochs=10 %预定训练次数为10。
自适应训练函数：net=adapt(net,P,T);
在这里插入图片描述 5)Y=sim(net,P); % 对网络进行仿真
Y网络输出，P输入向量
6）plotpv(P,T); %绘制感知器的输入向量和目标向量，绘制样本点
7）plotpc(net.iw{1,1},net.b{1}); %在感知器向量图中绘制分界线
w=net.iw{1,1} %显示网络权值
B=net.b{1} %显示网络阈值
在这里插入图片描述