3、否则为前向神经网络。区分单层前向神经网络和多层前向神经网络主要是看是否有隐藏层,右则为多层前向神经网络,否则为单层前向神经网络。单层前向神经网络、多层前向神经网络以及反馈神经网络网络模型分别如图1-k1-2.1・3所示。图1-2多层前向神经网络图单层前向神经网络InputBiases图1-3反馈神经网络二、神经网络工具箱通用函数sim函数,用于神经网络的仿真。其调用格式如下。[y,pf,af,e,perf]=sim(net,p,pi,ai,t)[y,pf,af]=sim(net,{qts},pi,ai)其中,y:网络输出;pf:最终输出延迟;af:授终的层延迟;e:网络误差
4、;perf:网络性能;net:待仿真的神经网络;p:网络输入;pi:初始输入延迟,默认为0;ai:初始层延迟,默认为0;t:网络目标。神经网络仿真示例程序如下:clearall;p=[0123456789];%输入向量t=[00.340.560.55-0.33-0.78-0.580.970.480.87];咎口标net=feedforwardnet(10);net=configure(net,p,t);yl=sim(net,p)%对•所创建网络进行仿真plot(p,t,1o',p,yl,fx')legend('原始数据','仿真后数据');程序输出:y1=3.68814.1
5、5823.75422.52041.81171.58080.7953-0.4858-1.7422-2.7742网络仿真效果图如图2・1所示。云—原始数据仿真后数据IIIIIII®I0.5-°—一——UO0O■°-50X-XO-1X45XX-2z-X■25111::::0123456789图网络仿真效果图Train函数,用于实现神经网络的训练,其调用格式如下:[net,tr,y,e,pf,af]=train(net,p,t,pi,ai)其中,net:待训练的神经网络;p:网络的输入信号;t:网络的目标,默认为0;pi:初始的输入延迟,默认为0;ai:初始的层延迟,默认为0:ne
6、t:训练后的神经网络;tr:训练记录;y:神经网络的输出信号;e:神经网络的课差;pf:最终输入延迟;af:最终层延迟。神经网络训练网络示例程序如下:clearall;p=[0123456789];令输入向量t=[00.340.560.55-0.33-0.78-0.580.970.480.87];务目标向量net=feedforwardnet(10);net=configure(net,p,t);net•trainparam・epochs=50;net•trainparam.goal=0•01;net=train(net,pzt);yl=sim(net,p)plot(p,t
7、z'o*,p,yl,*X');legend(「训练前数据•,•训练后数据■);网络训练过程如图2・2所示。NeuralNetworkTraining(nntraintool)ProgressEpoch:Time:Performance:Gradient:Mu:VahdationChecks:01.062.990.001000500.01001.001051.00e+106Performance[TramngSra-ze.JErrorHistogramRegression(plotperform)(plottrain