1、绘制三维图形clear all;x,y=meshgrid(-8:0.1:8);z=sinc(x);mesh(x,y,z); 效果图如下set(gcf,color,w); 设置图形窗口背景为白色修改 z 的赋值clear all;x,y=meshgrid(-10:0.3:10);r=sqrt(x.2+y.2)+eps;z=sin(r)./r;mesh(x,y,z)初始化函数clear all;net=newp(0,1;-2,2,1);disp( )w1=net.iw1,1disp()b1=net.b1net.iw1,1=5,6;disp()w2=net.iw1,1net.b1=7;disp()b
2、2=net.b1net=init(net); 利用网络初始化复原网络权值和阀值w3=net.iw1,1b3=net.b1例子：利用 init 函数将网络输入的权值与阀值改变为随机数 clear all;net=newp(0,1;-2,2,1);net.inputweights1,1.initFcn=rands;net.biases1.initFcn=rands;net=init(net); 检验权值和阀值w=net.iw1,1b=net.b1w =0.8116 -0.7460b =0.6294感知器plotpv 函数：用于在坐标中绘制给定的样本点及其类别plotpc 函数：用于绘制感知器分界线
3、clear all;p=-0.5,-0.5,0.3,-0.1,-0.8;-0.5,0.5,-0.5,1.0,0.0;t=1,1,0,0,0;plotpv(p,t); 绘制样本节点net=newp(-40,1;-1,50,1);hold onlinehandles=plotpc(net.IW1,net.b1);net.adaptParam.passes=3;linehandle=plotpc(net.IW1,net.b1);for a=1:25net,y,e=adapt(net,p,t);linehandle=plotpc(net.iw1,net.b1,linehandle);drawnow;e
4、ndtitle(the kind of xiangliang)仿真函数在 matlab 中提供了 sim 函数，对于神经网络进行仿真，格式：y,pf,af,perf=sim(net,p,pi,ai,t)y,pf,af=sim(net,q ts,pi,ai)设计一个输入为二维向量的感知器网络，其边界值已定。clear all;format compactnet=newp(-2,2;-2,2,1);net.IW1,1=-1,1;net.b1=1;p1=1;1;a1=sim(net,p1)p2=1;-1;a2=sim(net,p2)p3=1;1,1;-1;a3=sim(net,p3)得到a1 =1a
5、2 =0a3 = 1 0性能函数Matlab 神经网络工具箱提供了 mae 函数，用于求网络的平均绝对误差性能。感知器的学习规则为调整网络的权值和阀值，使得网络的平均绝对误差和最小。调用格式：Perf=mae(e,y,x,fp)Dperf_dy=mae(dy,e,y,x,perf,fp)Dperf_dx=mae(dx,e,y,x,perf,fp)Info=mae(code)其中，e 为误差矩阵或向量（e=t-y, t 表示网络的目标向量） ；y 是网络的输出向量（可以忽略） ；x 为所有权值和偏值向量；fp 为性能参数，perf 表示平均绝对误差；dperf_dy 表示返回perf 对 y 的
6、导数；mae（code）将根据 code 值的不同，返回不同的信息；返回的信息包括：当 code=name 时，表示返回函数全称当 code=pnames 时，表示返回训练参数的名称当 code=pdefaults 时，表示返回默认的训练参数创建一个感知器神经网络，求其平均绝对误差clear all;net=newp(-10,10,1);p=-10,-5,0,5,10;t=0,0,1,1,1;y=sim(net,p)e=t-yperf=mae(e)得到：y =1 1 1 1 1e =-1 -1 0 0 0perf =0.4000训练函数函数：train 函数，用于训练一个神经网络。网络训练函数
7、是一个通用的学习函数，训练函数重复的把一组输入向量应用到一个网络上，每次都更新网络，直到达到某种准则。停止准则的可能是最大的学习次数，最小的误差梯度或者误差目标。格式：net,tr,y,e,pf,af=train(net,p,t,pi,ai)其中，net 是训练后的网络，tr 为训练纪录，y 为网络输出，e 为误差向量；pf 为训练终止时的输入延时状态，af 为训练终止时的层延时状态；其中，net 为训练之前的网络，p 为网络的输入向量矩阵；t 表示网络的目标矩阵，默认值是0； pi 表示初始输入延时，默认值是 0；ai 表示初始的层延时，默认值是 0；本例子尝试建立一个感知器模型，实现电路“
8、或”们的功能，从而实现对输入的分类clear all;p=0,0,1,1;0,1,0,1;t=0,1,1,1;net=newp(minmax(p),1);y=sim(net,p)net.trainParam.epochs=20;net=train(net,p,t);y=sim(net,p);err1=mae(y-t)plotpv(p,y)title()得到：y =1 1 1 1err1 =0adapt 函数该函数为学习自适应函数，其在每一个输入时间阶段更新网络时仿真网络。格式：net,y,e,pf,af,tr=adapt(net,p,t,pi,ai) 参数意义与 train 函数一致对一个神经网络进行自适应训练clear all;p1=-1,0,1,0,1,1,-1,0,-1,1,0,1;t1=-1,-1,1,1,1,2,0,-1,-1,0,1,1;net=linearlayer(0,1,0.5);net,y,e,pf=adapt(net,p1,t1);while(mae(e)1e-20)net,y,e,pf=adapt(net,p1,t1);endmae(e) %平均绝对误差得到：ans =0.4196
