matlab newff参数

word

1 / 16 Matlab工具箱中的BP与RBF函数

Matlab神经网络工具箱中的函数非常丰富，给网络设置适宜的属性，可以加快网络的学习速度，缩短网络的学习进程。限于篇幅，仅对本章所用到的函数进展介绍，其它的函数与其用法请读者参考联机文档和帮助。

1 BP与RBF网络创建函数

在Matlab工具箱中有如表1所示的创建网络的函数，作为示例，这里只介绍函数newff、newcf、newrb和newrbe。

表 1 神经网络创建函数

函数名 含 义

newcf 创建一个前向层叠(cascade-forward)BP网络

newff 创建一个前馈(feed-forward)BP网络

newrb 设计一个径向基网络

newrbe 设计一个精细径向基网络

(1) newff函数

功能：创建一个前馈BP神经网络。

调用格式：net = newff(PR,[S1 S2...SNl],{TF1

TF2...TFNl},BTF,BLF,PF)

参数说明：

 PR - R个输入的最小、最大值构成的R×2矩阵；

 Si–SNI层网络第i层的神经元个数； word

2 / 16  TFi - 第i层的传递函数，可以是任意可导函数，默认为 'tansig'，可设置为logsig，purelin等；

 BTF -反向传播网络训练函数， 默认为 'trainlm'，可设置为trainbfg，trainrp，traingd等；

 BLF -反向传播权值、阈值学习函数，默认为 'learngdm'；

 PF -功能函数，默认为'mse'；

(2) newcf函数

功能：创建一个N层的层叠(cascade)BP网络

调用格式：net = newcf(Pr,[S1 S2...SNl],{TF1

TF2...TFNl},BTF,BLF,PF)

参数同函数newff。

(3) newrb函数

实用标准文案

精彩文档 MATLAB程序代码--bp神经网络通用代码

matlab 通用神经网络代码学习了一段时间的神经网络,总结了一些经验,在这愿意和大家分享一下,

希望对大家有帮助,也希望大家可以把其他神经网络的通用代码在这一起分享

感应器神经网络、线性网络、BP神经网络、径向基函数网络

%通用感应器神经网络。

P=[-0.5 -0.5 0.3 -0.1 -40;-0.5 0.5 -0.5 1 50];%输入向量

T=[1 1 0 0 1];%期望输出

plotpv(P,T);%描绘输入点图像

net=newp([-40 1;-1 50],1);%生成网络，其中参数分别为输入向量的范围和神经元感应器数量

hold on

linehandle=plotpc(net.iw{1},net.b{1});

net.adaptparam.passes=3;

for a=1:25%训练次数

[net,Y,E]=adapt(net,P,T);

linehandle=plotpc(net.iw{1},net.b{1},linehandle);

drawnow;

end

%通用newlin程序

%通用线性网络进行预测

time=0:0.025:5;

T=sin(time*4*pi);

Q=length(T);

P=zeros(5,Q);%P中存储信号T的前5(可变，根据需要而定)次值，作为网络输入。 实用标准文案

精彩文档 P(1,2:Q)=T(1,1:(Q-1));

P(2,3:Q)=T(1,1:(Q-2));

P(3,4:Q)=T(1,1:(Q-3));

P(4,5:Q)=T(1,1:(Q-4));

P(5,6:Q)=T(1,1:(Q-5));

plot(time,T)%绘制信号T曲线

xlabel('时间');

ylabel('目标信号');

title('待预测信号');

net=newlind(P,T);%根据输入和期望输出直接生成线性网络

求用matlab编BP神经网络预测程序

求一用matlab编的程序

P=[。。。];输入T=[。。。];输出

% 创建一个新的前向神经网络

net_1=newff(minmax(P),[10,1],{'tansig','purelin'},'traingdm')

% 当前输入层权值和阈值

inputWeights=net_1.IW{1,1}

inputbias=net_1.b{1}

% 当前网络层权值和阈值

layerWeights=net_1.LW{2,1}

layerbias=net_1.b{2}

% 设置训练参数

net_1.trainParam.show = 50;

net_1.trainParam.lr = 0.05;

net_1.trainParam.mc = 0.9;

net_1.trainParam.epochs = 10000;

net_1.trainParam.goal = 1e-3;

% 调用 TRAINGDM 算法训练 BP 网络

[net_1,tr]=train(net_1,P,T);

% 对 BP 网络进行仿真

A = sim(net_1,P);

% 计算仿真误差

E = T - A;

MSE=mse(E)

x=[。。。]';%测试

sim(net_1,x)

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

不可能啊 我2009

28

对初学神经网络者的小提示

第二步：掌握如下算法:

2.最小均方误差,这个原理是下面提到的神经网络学习算法的理论核心,入门者要先看《高等数学》（高等教育出版社，同济大学版）第8章的第十节：“最小二乘法”。

3.在第2步的基础上看Hebb学习算法、SOM和K-近邻算法，上述算法都是在最小均方误差基础上的改进算法，参考书籍是《神经网络原理》（机械工业出版社，Simon Haykin著，中英文都有）、《人工神经网络与模拟进化计算》（清华大学出版社，阎平凡，张长水著）、《模式分类》（机械工业出版社， Richard O. Duda等著，中英文都有）、《神经网络设计》（机械工业出版社，Martin T. Hargan等著，中英文都有）。

BP神经网络预测的matlab代码

附录5:

BP神经网络预测的matlab代码: P=[ 0

0.1386

0.2197

0.2773

0.3219

0.3584

0.3892

0.4159

0.4394

0.4605

0.4796

0.4970

0.5278

0.5545

0.5991

0.6089

0.6182

0.6271

0.6356

0.6438

0.6516 0.6592

0.6664

0.6735

0.7222

0.7275

0.7327

0.7378

0.7427

0.7475

0.7522

0.7568

0.7613

0.7657

0.7700]

T=[0.4455 0.323 0.4116 0.3255 0.4486 0.2999 0.4926 0.2249 0.4893

0.2357 0.4866 0.2249

0.4819 0.2217 0.4997 0.2269 0.5027 0.217 0.5155 0.1918 0.5058 0.2395

0.4541 0.2408 0.4054 0.2701 0.3942 0.3316 0.2197 0.2963 0.5576 0.1061

0.4956 0.267 0.5126 0.2238 0.5314 0.2083 0.5191 0.208 0.5133 0.1848

0.5089 0.242 0.4812 0.2129 0.4927 0.287 0.4832 0.2742 0.5969 0.2403

0.5056 0.2173 0.5364 0.1994 0.5278 0.2015 0.5164 0.2239 0.4489 0.2404

0.4869 0.2963 0.4898 0.1987 0.5075 0.2917 0.4943 0.2902 ]