文档介绍：神经网络建模
现在学****的是第1页，共47页
1、神经网络简介
人工神经网络是在现代神经科学的基础上发展起来的，旨在模拟人脑结构以及功能的一种抽象的数学模型,其中Hopfield神经网络、ART神经网络、BP神经网络是常用的网络网络为例。
现在学****的是第13页，共47页
动态网络中的同步输入仿真
如果我们在上例中把输入作为同步而不是异步应用，我们就会得到完全不同的响应。这就好象每一个输入都同时加到一个单独的并行网络中。在前一个例子中，如果我们用一组同步输入，我们有：
p1=[1], p2=[2],p3=[3], p4=[4]
这可用下列代码创建： P =[1 2 3 4];
模拟这个网络，我们得到：
A = sim(net,P)
A =
1 2 3 4
现在学****的是第14页，共47页
在某些特定的情况下，我们可能想要在同一时间模拟一些不同序列的网络响应。这种情况我们就要给网络输入一组同步序列。比如说，我们要把下面两个序列输入网络：
p(1)=[1], p(2)=[2],p(3)=[3], p(4)=[4]
p(1)=[4], p(2)=[3],p(3)=[2], p(4)=[1]
输入 P应该是一个细胞数组，每一个数组元素都包含了两个同时发生
的序列的元素。
P = {[1 4] [2 3] [3 2] [4 1]};
现在我们就可以模拟这个网络了：
A = sim(net,P);
网络输出结果将是：
A = {[ 1 4] [4 11] [7 8] [10 5]}
可以看到，每个矩阵的第一列是由第一组输入序列产生的输出序列，每个矩阵的第二列是由第二组输入序列产生的输出序列。这两组序列之间没有关联，好象他们是同时应用在单个的并行网络上的。
现在学****的是第15页，共47页
前面的讨论中，不论是作为一个同步向量矩阵输
入还是作为一个异步向量细胞数组输入，模拟的
输出值是一样的。
在训练网络时，这是不对的。当我们使用adapt函
数时，如果输入是异步向量细胞数组，那么权重
将在每一组输入提交的时候更新（就是增加方
式）；如果输入是同步向量矩阵，那么权重将只
在所有输入提交的时候更新（就是批处理方式）。
现在学****的是第16页，共47页
两种不同的训练方式 (1)增加方式：每提交一次输入数据，网络权重和偏置都更新一次; (2)在批处理方式中：仅仅当所有的输入数据都被提交以后，网络权重和偏置才被更新.
增加方式（应用于自适应网络和其他网络） 虽然增加方式更普遍的应用于动态网络，比如自适应滤波，但是在静态和动态网络中都可以应用它。
现在学****的是第17页，共47页
静态网络中的增加方式
用增加方式来训练静态同步仿真中的例1，这样每提交一次输
入数据，网络权重和偏置都更新一次。
在此我们用函数adapt，并给出输入和目标序列：假定我们要
训练网络建立以下线性函数： t=2p1+p2 .
我们的输入是：
目标输出是： t1=[4],t2=[5] ,t3=[7] ,t4=[7]
首先用0初始化权重和偏置。为了显示增加方式的效果，先把
学****速度也设为0。
net = newlin([-1 1;-1 1],1,0,0); {1,1} = [0 0]; {1} = 0;
为了用增加方式，我们把输入和目标输出表示为以下序列：
P = {[1;2] [2;1] [2;3] [3;1]}; T = {4 5 7 7};
现在学****的是第18页，共47页
用增加方式训练网络：
net = newlin([-1 1;-1 1],1,0,0); {1,1} = [0 0];
{1} = 0; P = {[1;2] [2;1] [2;3] [3;1]}; T = {4 5 7 7};
[net,a,e,pf] = adapt(net,P,T);
由于学****速度为0，网络输出仍然为0，并且权重没有
被更新。错误和目标输出相等。
a = [0] [0] [0] [0] e = [4] [5] [7] [7]
，我们就能够看到当每一
组输入提交时，网络是怎么调整的了。
{1,1}.=;
{1,1}.=;
[net,a,e,pf] = adapt(net,P,T);
a = [0] [2] [] [] e = [4] [3] [] []
现在学****的是第19页，共47页
2、BP神经网络
、概述
BP网络是采用Widrow-Hoff学****算法