实际上要求出这16个方程的解是需要花费一定的时间的,甚至是不太容易 的。对于一些实际问题,常常并不需要求出其完美的零误差时的解。也就是说允 许存在一定的误差。在这种情况下,采用自适应线性网络求解就显示出它的优越 性:因为它可以很快地训练出满足一定要求的网络权值。对于有完美解的网络设 计,通过对期望误差平方和的选定,也能通过加长训练次数来获得 下面给出例5.2]的设计程序。为了便于对比,在程序中增加了以下几项 1)训练前由初始权值所得到的误差平方和 2)最终误差及训练次数的显示 3)整个训练过程中的网络误差的记录显示 4)最终权值。 %wf2. m P=[11.51.2-.3;-123-0.5;21-1609} T=0.53-2214;1.1-121.7-0.4;30.2-18-0.4;-10.1-100.6] disp freq=400 %中间不显示结果 max epoch=400 err goal=0.001 Ir=0.9* maxlinlr(P); W=[19978-0.5959-0.3517;1.55430.053311.3660 %初始权值 1.06720.3645-0.9227;-0.77471.3839-0.384] B=[0.0746;-0.0642;-0.4256;-0.6433] SSE=sumsqr(T-purelin(W"P,B)): %未训练前误差 fprintf(Before training, sum squared error= %g In, SSE %训练网络 flops(0) tp=[disp freq max epoch err goal Ir]: %设置参数变量t W, B, epochs, errors]=trainwh(W, B, P, t, tp); %进行线性网络权值训练 %显示最终训练权矢量 B %显示最终训练偏差矢量8 实际上要求出这 16 个方程的解是需要花费一定的时间的，甚至是不太容易 的。对于一些实际问题，常常并不需要求出其完美的零误差时的解。也就是说允 许存在一定的误差。在这种情况下，采用自适应线性网络求解就显示出它的优越 性：因为它可以很快地训练出满足一定要求的网络权值。对于有完美解的网络设 计，通过对期望误差平方和的选定，也能通过加长训练次数来获得。 下面给出[例 5．2]的设计程序。为了便于对比，在程序中增加了以下几项： 1)训练前由初始权值所得到的误差平方和； 2)最终误差及训练次数的显示； 3)整个训练过程中的网络误差的记录显示； 4)最终权值。 ％wf2.m ％ P=[1 1.5 1.2 –0.3; -1 2 3 –0.5; 2 1 –1.6 0.9]; T=[0.5 3 –2.2 1.4; 1.1 –1.2 1.7 –0.4; 3 0.2 –1.8 –0.4; -1 0.1 –1.0 0.6]; disp_freq=400; ％中间不显示结果 max_epoch=400; err_goal=0.001; lr=0.9*maxlinlr(P); W=[1.9978 –0.5959 –0.3517; 1.5543 0.05331 1.3660; %初始权值 1.0672 0.3645 –0.9227; -0.7747 1.3839 –0.3384]; B=[0.0746; -0.0642; -0.4256; -0.6433]; SSE＝sumsqr(T-purelin(W*P，B)); %未训练前误差 fprintf(‘Before trainihg, sum squared error=％g. \n’, SSE) ％训练网络 flops(0) tp＝[disp_freq max_epoch err_goal lr]; %设置参数变量 tp [W, B, epochs，errors]＝trainwh(W, B, P, T, tp); %进行线性网络权值训练 W ％显示最终训练权矢量 B ％显示最终训练偏差矢量