网站建设商务代表工作总结,在线网站创做简历,电脑网站页面怎么调大小,小型网站建设方案定义问题脚本 prprob 定义了一个包含 26 列的矩阵 X#xff0c;每列对应一个字母。每列有 35 个值#xff0c;值可能是 1#xff0c;也可能是 0。每列(包含 35 个值)定义一个字母的 57 位图。矩阵 T 是一个 2626 的单位矩阵#xff0c;它将 26 个输入向量映射到 26 个类。[…定义问题脚本 prprob 定义了一个包含 26 列的矩阵 X每列对应一个字母。每列有 35 个值值可能是 1也可能是 0。每列(包含 35 个值)定义一个字母的 5×7 位图。矩阵 T 是一个 26×26 的单位矩阵它将 26 个输入向量映射到 26 个类。[X,T] prprob;以下命令将第一个字母 A 绘制为一个位图。plotchar(X(:,1))创建第一个神经网络为求解此问题我们将使用针对模式识别建立的具有 25 个隐藏神经元的前馈神经网络。由于神经网络以随机初始权重进行初始化因此每次运行该示例进行训练后的结果都略有不同。为了避免这种随机性请设置随机种子以便每次都重现相同的结果。这对于您自己的应用情形不是必需的。setdemorandstream(pi);net1 feedforwardnet(25);view(net1)训练第一个神经网络函数 train 将数据划分为训练集、验证集和测试集。训练集用于更新网络验证集用于在网络过拟合训练数据之前停止网络从而保持良好的泛化。测试集用作完全独立的测量手段用于衡量网络针对新样本的预期表现。当网络针对训练集或验证集不再可能有改善时训练停止。net1.divideFcn ;net1 train(net1,X,T,nnMATLAB);Computing Resources:MATLAB on GLNXA64训练第二个神经网络我们希望网络不仅可以识别形状标准的字母还可以识别含噪的字母。因此我们将尝试针对含噪数据训练第二个网络并将其泛化能力与第一个网络进行比较。以下命令为每个字母 Xn 创建 30 个含噪副本。值由 min 和 max 限制在 0 和 1 之间。还定义了相应的目标 Tn。numNoise 30;Xn min(max(repmat(X,1,numNoise)randn(35,26*numNoise)*0.2,0),1);Tn repmat(T,1,numNoise);以下是 A 的含噪版本。figureplotchar(Xn(:,1))以下命令将创建并训练第二个网络。net2 feedforwardnet(25);net2 train(net2,Xn,Tn,nnMATLAB);Computing Resources:MATLAB on GLNXA64测试两个神经网络noiseLevels 0:.05:1;numLevels length(noiseLevels);percError1 zeros(1,numLevels);percError2 zeros(1,numLevels);for i 1:numLevelsXtest min(max(repmat(X,1,numNoise)randn(35,26*numNoise)*noiseLevels(i),0),1);Y1 net1(Xtest);percError1(i) sum(sum(abs(Tn-compet(Y1))))/(26*numNoise*2);Y2 net2(Xtest);percError2(i) sum(sum(abs(Tn-compet(Y2))))/(26*numNoise*2);endfigureplot(noiseLevels,percError1*100,--,noiseLevels,percError2*100);title(Percentage of Recognition Errors);xlabel(Noise Level);ylabel(Errors);legend(Network 1,Network 2,Location,NorthWest)由于存在噪声在无噪声情况下训练的网络 1 的错误数多于在有噪声情况下训练的网络 2。
