(完整版)BP神经网络matlab实例(简单而经典).doc
- 格式：doc
- 大小：433.52 KB
- 文档页数：7
学习神经网络的好助手，可以仿照其中的代码，只需修改个别参数便可以轻易实现自己需要完成的任务。
p=p1';t=t1'; [pn,minp,maxp,tn,mint,maxt]=premnmx(p,t);
% 原始数据归一化
net=newff(minmax(pn),[5,1],{'tansig','purelin'},'traingdx');
%设置网络
,建立相应的
BP 网络
net.trainParam.show=2000; % 训练网络
net.trainParam.lr=0.01;
net.trainParam.epochs=100000;
net.trainParam.goal=1e-5; [net,tr]=train(net ,pn,tn);
%调用 TRAINGDM 算法训练 BP 网络
pnew=pnew1';
pnewn=tramnmx(pnew,minp,maxp);
anewn=sim(net,pnewn);
anew=postmnmx(anewn,mint,maxt);
%对 BP 网络进行仿真
%还原数据
y=anew';
1、 BP 网络构建
（1）生成 BP 网络
net newff ( PR,[ S1 S2...SNl],{ TF1 TF 2...TFNl }, BTF , BLF , PF )
PR ：由
R 维的输入样本最小最大值构成的
R 2 维矩阵。
[ S1 S2...SNl]
：各层的神经元个数。
{TF 1 TF 2...TFNl } ：各层的神经元传递函数。
BTF ：训练用函数的名称。
（2）网络训练
[ net,tr ,Y, E, Pf , Af ]
train (net, P, T , Pi , Ai ,VV , TV )
（3）网络仿真
[Y, Pf , Af , E, perf ]
sim(net, P, Pi , Ai ,T )
{'tansig','purelin'},'trainrp'
BP 网络的训练函数
训练方法
梯度下降法
有动量的梯度下降法
自适应 lr 梯度下降法
自适应 lr 动量梯度下降法
弹性梯度下降法
训练函数
traingd
traingdm
traingda
traingdx
trainrp
Fletcher-Reeves 共轭梯度法
traincgf
Ploak-Ribiere
共轭梯度法
traincgp
学习神经网络的好助手，可以仿照其中的代码，只需修改个别参数便可以轻易实现自己需要完成的任务。
Powell-Beale 共轭梯度法 traincgb
量化共轭梯度法 trainscg
拟牛顿算法 trainbfg
一步正割算法 trainoss
Levenberg-Marquardt trainlm
BP 网络训练参数
训练参数
net.trainParam.epochs
net.trainParam.goal
net.trainParam.lr
net.trainParam.max_fail
net.trainParam.min_grad
net.trainParam.show
net.trainParam.time
net.trainParam.mc
net.trainParam.lr_inc
参数介绍
最大训练次数（缺省为 10）
训练要求精度（缺省为 0）
学习率（缺省为 0.01 ）
最大失败次数（缺省为 5）
最 小 梯 度 要 求 （ 缺 省 为
1e-10）
显示训练迭代过程（ NaN 表示不显示，缺省为 25）
最大训练时间（缺省为 inf ）
动量因子（缺省 0.9）
学习率 lr 增长比（缺省为
1.05）
训练函数
traingd 、traingdm 、traingda 、
traingdx 、 trainrp 、 traincgf 、
traincgp 、traincgb 、trainscg、
trainbfg 、 trainoss、 trainlm
traingd 、traingdm 、traingda 、
traingdx 、 trainrp 、 traincgf 、
traincgp 、traincgb 、trainscg、
trainbfg 、 trainoss、 trainlm
traingd 、traingdm 、traingda 、
traingdx 、 trainrp 、 traincgf 、
traincgp 、traincgb 、trainscg、
trainbfg 、 trainoss、 trainlm
traingd 、traingdm 、traingda 、
traingdx 、 trainrp 、 traincgf 、
traincgp 、traincgb 、trainscg、
trainbfg 、 trainoss、 trainlm
traingd 、traingdm 、traingda 、
traingdx 、 trainrp 、 traincgf 、
traincgp 、traincgb 、trainscg、
trainbfg 、 trainoss、 trainlm
traingd 、traingdm 、traingda 、
traingdx 、 trainrp 、 traincgf 、
traincgp 、traincgb 、trainscg、
trainbfg 、 trainoss、 trainlm
traingd 、traingdm 、traingda 、
traingdx 、 trainrp 、 traincgf 、
traincgp 、traincgb 、trainscg、
trainbfg 、 trainoss、 trainlm
traingdm 、 traingdx traingda 、
traingdx
net.trainParam.lr_dec 学习率 lr 下降比（缺省为 0.7） traingda 、 traingdx
net.trainParam.max_perf_inc 表现函数增加最大比（缺省 traingda 、 traingdx
为 1.04）
net.trainParam.delt_inc 权 值 变 化增 加量 （ 缺省为 trainrp
1.2）
学习神经网络的好助手，可以仿照其中的代码，只需修改个别参数便可以轻易实现自己需要完成的任务。
net.trainParam.delt_dec 权 值 变 化减 小量 （ 缺省为 trainrp
0.5）
net.trainParam.delt0 初始权值变化 （缺省为 0.07） trainrp
net.trainParam.deltamax 权 值 变 化最 大值 （ 缺省为 trainrp
50.0）
net.trainParam.searchFcn 一维线性搜索方法（缺省为 traincgf 、traincgp 、traincgb 、
srchcha） trainbfg 、 trainoss
net.trainParam.sigma 因为二次求导对权值调整的 trainscg
影响参数（缺省值 5.0e-5）
mbda Hessian 矩阵不确定性调节 trainscg
参数（缺省为 5.0e-7）
net.trainParam.men_reduc 控制计算机内存 / 速度的参 trainlm
量，内存较大设为 1，否则设
为 2（缺省为 1）
net.trainParam.mu 的初始值（缺省为 0.001） trainlm
net.trainParam.mu_dec 的减小率（缺省为 0.1） trainlm
net.trainParam.mu_inc 的增长率（缺省为 10） trainlm
net.trainParam.mu_max 的最大值（缺省为 1e10） trainlm
2、 BP 网络举例
举例 1、
%traingd
clear;
clc;
P=[-1 -1 2 2 4;0 5 0 5 7];
T=[-1 -1 1 1 -1];
%利用 minmax 函数求输入样本范围
net = newff(minmax(P),T,[5,1],{'tansig','purelin'},'trainrp');
net.trainParam.show=50;%
net.trainParam.lr=0.05;
net.trainParam.epochs=300;
net.trainParam.goal=1e-5;
[net,tr]=train(net,P,T);
net.iw{1,1}% 隐层权值
net.b{1}% 隐层阈值
net.lw{2,1}% 输出层权值
net.b{2}% 输出层阈值
sim(net,P)
举例 2、利用三层
样本数据：
BP
神经网络来完成非线性函数的逼近任务，
其中隐层神经元个数为五个。
