多层感知机和神经网络_CNN采用多层感知机进行分类

全栈程序员-站长 • 2022年8月30日下午8:00 • 未分类 • 阅读 4

大家好，又见面了，我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全系列IDE使用 1年只要46元售后保障童叟无欺

单独的ESN仿真：

ESN的运行结果如下所示：

多层感知机和神经网络_CNN采用多层感知机进行分类

这个部分的误差为：

0.0435

ESN部分就不多做介绍了，你应该了解的，下面我们对ESN和BP改进和极限学习改进分别进行修改和说明，并进行仿真。

ESN+BP的仿真：

首先，在原始的ESN中，权值的计算是通过pseudoinverse.m这个函数进行计算的，其主要内容就是：

多层感知机和神经网络_CNN采用多层感知机进行分类

即：

多层感知机和神经网络_CNN采用多层感知机进行分类

这里，我们的主要方法为：

将多层感知机和神经网络_CNN采用多层感知机进行分类计算得到的权值作为bp神经网络迭代的初始值，然后以这个初始值为迭代过程的第一个值，不断的训练迭代，最后得到ESN-BP输出的权值，然后进行测试。

因此，其基本思路就是通过B-1T得到初始权值，然后通过bp网络进行迭代，得到最后优化后的值。

多层感知机和神经网络_CNN采用多层感知机进行分类

计算后的误差为0.0427

从上面的对比可知，采用BP神经网络进行权值系数的非线性更新之后，其误差可以进一步降低。但提升性能有限。

ESN+极限学习算法的仿真：

这个部分的原理和上面的相同，不同的是，我们需要使用极限学习方法对ESN网络的中的权值进行更新。

多层感知机和神经网络_CNN采用多层感知机进行分类

误差为：0.1050

下面给出整个算法的流程框图：

多层感知机和神经网络_CNN采用多层感知机进行分类

2.部分核心代码

clc;
clear; 
close all;
warning off;
RandStream.setDefaultStream(RandStream('mt19937ar','seed',1));
addpath 'func\data_process\'
addpath 'func\Initial_ESN\'
addpath 'func\train_esn\'
addpath 'func\test_esn\'
 
load data.mat
%数据分割
train_fraction                           = 0.5;
[trainInputSequence, testInputSequence]  = split_train_test(inputSequence,train_fraction);
[trainOutputSequence,testOutputSequence] = split_train_test(outputSequence,train_fraction);

%generate an esn 
nInputUnits          = 2; 
nInternalUnits       = 32; 
nOutputUnits         = 1; 
esn                  = generate_esn(nInputUnits,nInternalUnits,nOutputUnits,'spectralRadius',0.5,'inputScaling',[0.1;0.1],'inputShift',[0;0],'teacherScaling',[0.3],'teacherShift',[-0.2],'feedbackScaling',0,'type','plain_esn'); 
esn.internalWeights  = esn.spectralRadius * esn.internalWeights_UnitSR;

%train the ESN
%discard the first 100 points
nForgetPoints        = 100; 
%这里，就固定设置一种默认的学习方式，其他的就注释掉了
[trainedEsn,stateMatrix] = train_esn(trainInputSequence,trainOutputSequence,esn,nForgetPoints) ; 

%test the ESN
nForgetPoints        = 100 ; 
predictedTrainOutput = test_esn(trainInputSequence, trainedEsn, nForgetPoints);
predictedTestOutput  = test_esn(testInputSequence,  trainedEsn, nForgetPoints) ; 

figure;
plot(testOutputSequence(nForgetPoints+4:end),'b');
hold on
plot(predictedTestOutput,'r');
legend('原数据','预测数据');
title('ESN-ELM：测试数据的预测');


%计算测试数据的预测结果：
estimatedOutput = predictedTestOutput(1:end-3);
correctOutput   = testOutputSequence(nForgetPoints+4:end);

nEstimatePoints = length(estimatedOutput) ; 
nForgetPoints   = length(correctOutput) - nEstimatePoints ;  
correctVariance = 1;
meanerror       = sum((estimatedOutput - correctOutput).^2)/nEstimatePoints ; 
err             =(sqrt(meanerror./correctVariance));
err

3.参考文献

A05-22

发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/179752.html原文链接：https://javaforall.net