BP神经网络matlab实例(简单而经典)
- 格式：doc
- 大小：143.50 KB
- 文档页数：7
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
% 训练网络
,pn,tn); %调用TRAINGDM算法训练BP网络
pnew=pnew1';
pnewn=tramnmx(pnew,minp,maxp);
anewn=sim(net,pnewn); %对BP网络进行仿真
anew=postmnmx(anewn,mint,maxt); %还原数据
y=anew';
[
1、BP网络构建
（1）生成BP网络
=
(,[1 2...],{ 1 2...},,,) net newff PR S S SNl TF TF TFNl BTF BLF PF
PR：由R维的输入样本最小最大值构成的2
R⨯维矩阵。
S S SNl：各层的神经元个数。
[ 1 2...]
TF TF TFNl：各层的神经元传递函数。
{ 1 2...}
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'
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');
隐层权值 {1}%隐层阈值
{2,1}%输出层权值 {2}%输出层阈值 ）
sim(net,P)
举例2、利用三层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。
看到期望输出的范围是()1,1-，所以利用双极性Sigmoid 函数作为转移函数。
程序如下：
—
clear; clc; X=-1::1; D=[ ... ... ]; figure;
plot(X,D,'*'); %绘制原始数据分布图（附录：1-1） net = newff([-1 1],[5 1],{'tansig','tansig'}); = 1000; %训练的最大次数
= ; %全局最小误差 （
net = train(net,X,D); O = sim(net,X);
figure;
plot(X,D,'*',X,O); %绘制训练后得到的结果和误差曲线（附录：1-2、1-3） V = {1,1};%输入层到中间层权值 theta1 = {1};%中间层各神经元阈值 W = {2,1};%中间层到输出层权值 theta2 = {2};%输出层各神经元阈值
所得结果如下：
输入层到中间层的权值： ()-9.1669 7.3448 7.3761 4.8966 3.5409T
V = 中间层各神经元的阈值： ()6.5885 -2.4019 -0.9962 1.5303 3.2731T
θ=
|
中间层到输出层的权值： ()0.3427 0.2135 0.2981 -0.8840 1.9134W =
输出层各神经元的阈值：-1.5271T =
举例3、利用三层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。
看到期望输出的范围超出()1,1-，所以输出层神经元利用线性函数作为转移函数。
程序如下：
clear; clc;
X = [0 1 2 3 4 5 6 7 8 9 10]; D = [0 1 2 3 4 3 2 1 2 3 4]; figure;
plot(X,D,'*'); %绘制原始数据分布图
,
net = newff([0 10],[5 1],{'tansig','purelin'}) = 100;
'*',X,O); %绘制训练后得到的结果和误差曲线（附录：2-2、2-3） V = {1,1}%输入层到中间层权值 theta1 = {1}%中间层各神经元阈值 W = {2,1}%中间层到输出层权值 theta2 = {2}%输出层各神经元阈值
所得结果如下：
输入层到中间层的权值：()0.8584 2.0890 -1.2166 0.2752 -0.3910T
V = 中间层各神经元的阈值：()-14.0302 -9.8340 7.4331 -2.0135 0.5610T
θ= 中间层到输出层的权值： ()-0.4675 -1.1234 2.3208 4.6402 -2.2686W =
`
输出层各神经元的阈值： 1.7623T =
问题：以下是上证指数2009年2月2日到3月27日的收盘价格，构建一个三层BP 神经网络，
利用该组信号的6个过去值预测信号的将来值。
(
load ;
[m,n]=size( data3_1);
tsx = data3_1(1:m-1,1);
tsx=tsx';
ts = data3_1(2:m,1);
ts=ts';
[TSX,TSXps]=mapminmax(tsx,1,2);
[TS,TSps]=mapminmax(ts,1,2);
TSX=TSX';
figure;
plot(ts,'LineWidth',2);
title('到杭旅游总人数','FontSize',12);
xlabel('统计年份','FontSize',12);
ylabel('归一化后的总游客数/万人','FontSize',12);
grid on;
% 生成BP网络、利用minmax函数求输入样本范围
net_1=newff(minmax(TS),[10,1],{'tansig','purelin'},'traincgf') % 设置训练参数
= 50; %显示训练迭代过程（NaN表示不显示，缺省25）
= ; %学习率（缺省）
= ; %动量因子（缺省）
= 10000; %最大训练次数
= ; %训练要求精度
inputWeights={1,1} %输入层权值
inputbias={1} %输入层阈值
layerWeights={2,1} %输出层权值
layerbias={2} %输出层阈值
TS',TSX
% 网络训练
[net_1,tr]=train(net_1,TS,TSX);。
