BP神经网络matlab例题集合

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 trainrpFletcher-Reeves 共轭梯度法traincgf Ploak-Ribiere 共轭梯度法traincgpPowell-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 trainlmBP 网络训练参数训练参数net.trainParam.epochsnet.trainParam.goal net.trainParam.lrnet.trainParam.max_fail net.trainParam.min_grad net.trainParam.show net.trainParam.timenet.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、 trainlmtraingd 、traingdm 、traingda 、traingdx 、 trainrp 、 traincgf 、traincgp 、traincgb 、trainscg、trainbfg 、 trainoss、 trainlmtraingd 、traingdm 、traingda 、traingdx 、 trainrp 、 traincgf 、traincgp 、traincgb 、trainscg、trainbfg 、 trainoss、 trainlmtraingd 、traingdm 、traingda 、traingdx 、 trainrp 、 traincgf 、traincgp 、traincgb 、trainscg、trainbfg 、 trainoss、 trainlmtraingd 、traingdm 、traingda 、traingdx 、 trainrp 、 traincgf 、traincgp 、traincgb 、trainscg、trainbfg 、 trainoss、 trainlmtraingd 、traingdm 、traingda 、traingdx 、 trainrp 、 traincgf 、traincgp 、traincgb 、trainscg、trainbfg 、 trainoss、 trainlmtraingd 、traingdm 、traingda 、traingdx 、 trainrp 、 traincgf 、traincgp 、traincgb 、trainscg、trainbfg 、 trainoss、 trainlmtraingdm 、 traingdx traingda 、traingdxnet.trainParam.lr_dec 学习率 lr 下降比（缺省为 0.7） traingda 、 traingdxnet.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trainrp1.2）net.trainParam.delt_dec 权值变化减小量（缺省为trainrp0.5）net.trainParam.delt0 初始权值变化（缺省为 0.07） trainrpnet.trainParam.deltamax 权值变化最大值（缺省为trainrp50.0）net.trainParam.searchFcn 一维线性搜索方法（缺省为traincgf 、traincgp 、traincgb 、srchcha）trainbfg 、 trainossnet.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） trainlmnet.trainParam.mu_dec 的减小率（缺省为0.1）trainlmnet.trainParam.mu_inc 的增长率（缺省为10）trainlmnet.trainParam.mu_max 的最大值（缺省为1e10）trainlm2、 BP 网络举例举例 1、%traingdclear;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)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。

（题目为个人所做，由于水平有限，不能保证全部作对）1.采用BP神经网络进行模式识别。

设计一个BP网络对附图中的英文字母进行分类。

输入向量含16个分量，输出向量分别用[1,-1,-1]T, [-1,1,-1]T,[-1,-1,1]T代表字符A, I，O。

采用不同的学习算法（traingd，traingdm ，traingdx，trainlm）进行比较。

并测试施加5%噪声与输入时的测试结果。

要求：给出matlab的源程序（可调用matlabNN工具箱），网络结构，初始权值，训练结果，测试结果。

题3 附图3.1.traingd算法源程序：P=[1 1 1 1 1 0 0 1 1 1 1 1 1 0 0 1;0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0;1 1 1 1 1 0 0 1 1 0 0 1 1 1 1 1]';T=[1 -1 -1;-1 1 -1;-1 -1 1]';net=newff(minmax(P),[5,3],{'tansig','logsig'},'traingd');iw1=net.IW{1};lw2=net.LW{2}net.trainParam.epochs=5000;net.trainParam.goal=0.01;LP.lr=0.1;net=train(net,P,T);3.1.1网络结构3.1.2初始权值输入层到隐含层3.1.3隐含层到输出层3.1.4训练结果3.1.55%噪声测试P1=P+0.05*randn(16,3); sim(net,P1)3.2 traingdm算法只需对上个程序改动一点第五行替换为traingdm 3.2.1结果3.2.2输入层到隐含层权值隐含到输出的权值3.3.35%的噪声测试3.3traingdx3.3.1结果3.3.2权值输入到隐含隐含到输出3．3．3 5%噪声测试3．4trainlm算法3．4．1结果3．4．2输入到隐含权值隐含到输出权值3．4．3 5%噪声测试。

% 采用贝叶斯正则化算法提高 BP 网络的推广能力。

在本例中，我们采用两种训练方法，即L-M 优化算法%（trainlm）和贝叶斯正则化算法（trainbr），% 用以训练 BP 网络，使其能够拟合某一附加有白噪声的正弦样本数据。

其中，样本数据可以采用如下% MATLAB 语句生成：% 输入矢量：P = [-1:0.05:1]；% 目标矢量：randn(’seed’,78341223)；% T = sin(2*pi*P)+0.1*randn(size(P))；% MATLAB 程序如下：close allclear allclc% NEWFF——生成一个新的前向神经网络% TRAIN——对 BP 神经网络进行训练% SIM——对 BP 神经网络进行仿真% 定义训练样本矢量% P 为输入矢量P = [-1:0.05:1];% T 为目标矢量randn('seed',78341223); T = sin(2*pi*P)+0.1*randn(size(P));% 创建一个新的前向神经网络net=newff(minmax(P),[20,1],{'tansig','purelin'});disp('1. L-M 优化算法 TRAINLM'); disp('2. 贝叶斯正则化算法 TRAINBR'); choice=input('请选择训练算法(1,2):');if(choice==1)% 采用 L-M 优化算法 TRAINLMnet.trainFcn='trainlm';% 设置训练参数net.trainParam.epochs = 500;net.trainParam.goal = 1e-6;% 重新初始化net=init(net);pause;elseif(choice==2)% 采用贝叶斯正则化算法 TRAINBRnet.trainFcn='trainbr';% 设置训练参数net.trainParam.epochs = 500;% 重新初始化net = init(net);pause;end% 调用相应算法训练 BP 网络[net,tr]=train(net,P,T);% 对 BP 网络进行仿真A = sim(net,P);% 计算仿真误差E = T - A;MSE=mse(E)% 绘制匹配结果曲线figureplot(P,A,'o',P,T,'+',P,sin(2*pi*P),':');legend('网络输出','目标值-带噪声','目标值-不带噪声') 结果：采用L-M 优化算法（trainlm）：采用贝叶斯正则化算法（trainbr）：可以看到，经 trainlm 函数训练后的神经网络对样本数据点实现了“过度匹配”，而经trainbr 函数训练的神经网络对噪声不敏感，鲁棒性较好。

只需模仿即可。

就能轻松掌握。

1、BP网络构建（1）生成BP网络net newff PR S S SNl TF TF TFNl BTF BLF PF=(,[1 2...],{ 1 2...},,,)R⨯维矩阵。

PR：由R维的输入样本最小最大值构成的2S 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 TBP网络的训练函数训练方法训练函数梯度下降法traingd有动量的梯度下降法traingdm自适应lr梯度下降法traingda自适应lr动量梯度下降法traingdx弹性梯度下降法trainrpFletcher-Reeves共轭梯度法traincgfPloak-Ribiere共轭梯度法traincgpPowell-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trainossLevenberg-Marquardt trainlmBP网络训练参数训练参数参数介绍训练函数net.trainParam.epochs最大训练次数（缺省为10）traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm net.trainParam.goal训练要求精度（缺省为0）traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm net.trainParam.lr学习率（缺省为0.01）traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm net.trainParam.max_fail 最大失败次数（缺省为5）traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlmnet.trainParam.min_grad 最小梯度要求（缺省为1e-10）traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlmnet.trainParam.show显示训练迭代过程（NaN表示不显示，缺省为25）traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlmnet.trainParam.time 最大训练时间（缺省为inf）traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm net.trainParam.mc 动量因子（缺省0.9）traingdm、traingdxnet.trainParam.lr_inc 学习率lr增长比（缺省为1.05）traingda、traingdxnet.trainParam.lr_dec 学习率lr下降比（缺省为0.7）traingda、traingdxnet.trainParam.max_perf_inc 表现函数增加最大比（缺省为1.04）traingda、traingdxnet.trainParam.delt_inc 权值变化增加量（缺省为1.2）trainrpnet.trainParam.delt_dec 权值变化减小量（缺省为0.5）trainrpnet.trainParam.delt0 初始权值变化（缺省为0.07）trainrpnet.trainParam.deltamax 权值变化最大值（缺省为50.0）trainrpnet.trainParam.searchFcn 一维线性搜索方法（缺省为srchcha）traincgf、traincgp、traincgb、trainbfg、trainossnet.trainParam.sigma 因为二次求导对权值调整的影响参数（缺省值5.0e-5）trainscg mbda Hessian矩阵不确定性调节参数（缺省为5.0e-7）trainscg net.trainParam.men_reduc 控制计算机内存/速度的参量，内存较大设为1，否则设为2（缺省为1）trainlmnet.trainParam.mu μ的初始值（缺省为0.001）trainlm net.trainParam.mu_dec μ的减小率（缺省为0.1）trainlm net.trainParam.mu_inc μ的增长率（缺省为10）trainlmnet.trainParam.mu_maxμ的最大值（缺省为1e10） trainlm2、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),[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。

bp神经网络matlab实例（bp神经网络matlab实例）Case 1 training BP network by momentum gradient descent algorithm.Training samples are defined as follows:Input vector asP =[-1 -2 31-1 15 -3]The target vector is t = [-1 -1 1 1]Solution: the MATLAB program of this example is as follows:Close allClearEcho onCLC% NEWFF - generating a new feedforward neural network% TRAIN -- training BP neural network% SIM -- Simulation of BP neural networkPauseStart by hitting any keyCLCPercent defines training samples% P as input vectorP=[-1, -2, 3, 1; -1, 1, 5, -3];% T is the target vectorT=[-1, -1, 1, 1];Pause;CLC% create a new feedforward neural networkNet=newff (minmax (P), [3,1],{'tansig','purelin'},'traingdm')The current input layer weights and thresholds InputWeights=net.IW{1,1}Inputbias=net.b{1}The current network layer weights and thresholdsLayerWeights=net.LW{2,1}Layerbias=net.b{2}PauseCLC% set training parametersNet.trainParam.show = 50;Net.trainParam.lr = 0.05;Net.trainParam.mc = 0.9;Net.trainParam.epochs = 1000;Net.trainParam.goal = 1e-3;PauseCLC% call TRAINGDM algorithm to train BP network [net, tr]=train (net, P, T);PauseCLCSimulation of BP network by%A = sim (net, P)Calculate the simulation errorE = T - AMSE=mse (E)PauseCLCEcho offExample 2 adopts Bayesian regularization algorithm to improve the generalization ability of BP network. In this case, we used two kinds of training methods, namely L-M algorithm (trainlm) and the Bias regularization algorithm (trainbr), is used to train the BP network, so that it can fit attached to a white noise sine sample data. Among them, the sample data can be generated as follows MATLAB statements:Input vector: P = [-1:0.05:1];Target vector: randn ('seed', 78341223);T = sin (2*pi*P) +0.1*randn (size (P));Solution: the MATLAB program of this example is as follows: Close allClearEcho onCLC% NEWFF - generating a new feedforward neural network% TRAIN -- training BP neural network% SIM -- Simulation of BP neural networkPauseStart by hitting any keyCLC% define training sample vector% P as input vectorP = [-1:0.05:1];% T is the target vectorRandn ('seed', 78341223); T = sin (2*pi*P) +0.1*randn (size (P));Draw the sample data pointsPlot (P, T, +);Echo offHold on;Plot (P, sin (2*pi*P), ':');Draw sine curves without noiseEcho onCLCPauseCLC% create a new feedforward neural networkNet=newff (minmax (P), [20,1], {'tansig','purelin'});PauseCLCEcho offCLCDisp ('1. L-M optimization algorithm TRAINLM'); disp ('2. Bayesian regularization algorithm TRAINBR');Choice=input (\ "please select training algorithm (1,2): ');Figure (GCF);If (choice==1)Echo onCLC% using L-M optimization algorithm TRAINLMNet.trainFcn='trainlm';PauseCLC% set training parametersnet.trainparam.epochs = 500；net.trainparam.goal = 1e-6；NET（.NET）；%重新初始化暂停中图分类号“（选择= = 2）回声中图分类号%采用贝叶斯正则化算法trainbr trainfcn = 'trainbr”网；暂停中图分类号%设置训练参数net.trainparam.epochs = 500；randn（“种子”，192736547）；NET（.NET）；%重新初始化暂停中图分类号结束调用相应算法训练BP网络% [净额]，列车=（净额，P，T）；暂停中图分类号对BP网络进行仿真%a = sim（NET，p）；%计算仿真误差e = a；MSE＝MSE（e）暂停中图分类号%绘制匹配结果曲线关闭所有；图（p，a，p，t，+，p，p，p（2），“，”；暂停;中图分类号回音通过采用两种不同的训练算法，我们可以得到如图1和图2所示的两种拟合结果。

（整理）BP神经网络matlab实现和matlab工具箱使用实例.BP神经网络matlab实现和matlab工具箱使用实例经过最近一段时间的神经网络学习，终于能初步使用matlab实现BP网络仿真试验。

这里特别感谢研友sistor2004的帖子《自己编的BP算法（工具：matlab）》和研友wangleisxcc的帖子《用C++，Matlab，Fortran实现的BP算法》前者帮助我对BP算法有了更明确的认识，后者让我对matlab下BP函数的使用有了初步了解。

因为他们发的帖子都没有加注释，对我等新手阅读时有一定困难，所以我把sistor2004发的程序稍加修改后加注了详细解释，方便新手阅读。

%严格按照BP网络计算公式来设计的一个matlab程序,对BP网络进行了优化设计%yyy，即在o(k)计算公式时，当网络进入平坦区时(<0.0001)学习率加大，出来后学习率又还原%v(i,j)=v(i,j)+deltv(i,j)+a*dv(i,j); 动量项clear allclcinputNums=3; %输入层节点outputNums=3; %输出层节点hideNums=10; %隐层节点数maxcount=20000; %最大迭代次数samplenum=3; %一个计数器，无意义precision=0.001; %预设精度yyy=1.3; %yyy是帮助网络加速走出平坦区alpha=0.01; %学习率设定值a=0.5; %BP优化算法的一个设定值，对上组训练的调整值按比例修改字串9error=zeros(1,maxcount+1); %error数组初始化；目的是预分配内存空间errorp=zeros(1,samplenum); %同上v=rand(inputNums,hideNums); %3*10;v初始化为一个3*10的随机归一矩阵; v表输入层到隐层的权值deltv=zeros(inputNums,hideNums); %3*10;内存空间预分配dv=zeros(inputNums,hideNums); %3*10;w=rand(hideNums,outputNums); %10*3;同Vdeltw=zeros(hideNums,outputNums);%10*3dw=zeros(hideNums,outputNums); %10*3samplelist=[0.1323,0.323,-0.132;0.321,0.2434,0.456;-0.6546,-0.3242,0.3255]; %3*3;指定输入值3*3(实为3个向量)expectlist=[0.5435,0.422,-0.642;0.1,0.562,0.5675;-0.6464,-0.756,0.11]; %3*3;期望输出值3*3(实为3个向量)，有导师的监督学习count=1;while (count<=maxcount) %结束条件1迭代20000次c=1;while (c<=samplenum)for k=1:outputNumsd(k)=expectlist(c,k); %获得期望输出的向量,d(1:3)表示一个期望向量内的值endfor i=1:inputNumsx(i)=samplelist(c,i); %获得输入的向量（数据）,x(1:3)表一个训练向量字串4end%Forward();for j=1:hideNumsnet=0.0;for i=1:inputNumsnet=net+x(i)*v(i,j);%输入层到隐层的加权和∑X(i)V(i)endy(j)=1/(1+exp(-net)); %输出层处理f(x)=1/(1+exp(-x))单极性sigmiod函数endfor k=1:outputNumsnet=0.0;for j=1:hideNumsnet=net+y(j)*w(j,k);endif count>=2&&error(count)-error(count+1)<=0.0001o(k)=1/(1+exp(-net)/yyy); %平坦区加大学习率else o(k)=1/(1+exp(-net)); %同上endend%BpError(c)反馈/修改;errortmp=0.0;for k=1:outputNumserrortmp=errortmp+(d(k)-o(k))^2; %第一组训练后的误差计算enderrorp(c)=0.5*errortmp; %误差E=∑(d(k)-o(k))^2 * 1/2%end%Backward();for k=1:outputNumsyitao(k)=(d(k)-o(k))*o(k)*(1-o(k)); %输入层误差偏导字串5endfor j=1:hideNumstem=0.0;for k=1:outputNumstem=tem+yitao(k)*w(j,k); %为了求隐层偏导，而计算的∑endyitay(j)=tem*y(j)*(1-y(j)); %隐层偏导end%调整各层权值for j=1:hideNumsfor k=1:outputNumsdeltw(j,k)=alpha*yitao(k)*y(j); %权值w的调整量deltw(已乘学习率)w(j,k)=w(j,k)+deltw(j,k)+a*dw(j,k);%权值调整，这里的dw=dletw(t-1)，实际是对BP算法的一个dw(j,k)=deltw(j,k); %改进措施--增加动量项目的是提高训练速度endendfor i=1:inputNumsfor j=1:hideNumsdeltv(i,j)=alpha*yitay(j)*x(i); %同上deltwv(i,j)=v(i,j)+deltv(i,j)+a*dv(i,j);dv(i,j)=deltv(i,j);endendc=c+1;end%第二个while结束；表示一次BP训练结束double tmp;tmp=0.0; 字串8for i=1:samplenumtmp=tmp+errorp(i)*errorp(i);%误差求和endtmp=tmp/c;error(count)=sqrt(tmp);%误差求均方根,即精度if (error(count)<precision)%另一个结束条件< p="">break;endcount=count+1;%训练次数加1end%第一个while结束error(maxcount+1)=error(maxcount);p=1:count;pp=p/50;plot(pp,error(p),"-"); %显示误差然后下面是研友wangleisxcc的程序基础上，我把初始化网络，训练网络，和网络使用三个稍微集成后的一个新函数bpnet %简单的BP神经网络集成，使用时直接调用bpnet就行%输入的是p-作为训练值的输入% t-也是网络的期望输出结果% ynum-设定隐层点数一般取3~20;% maxnum-如果训练一直达不到期望误差之内，那么BP迭代的次数一般设为5000% ex-期望误差，也就是训练一小于这个误差后结束迭代一般设为0.01% lr-学习率一般设为0.01% pp-使用p-t虚拟蓝好的BP网络来分类计算的向量，也就是嵌入二值水印的大组系数进行训练然后得到二值序列% ww-输出结果% 注明：ynum,maxnum,ex,lr均是一个值；而p,t,pp,ww均可以为向量字串1% 比如p是m*n的n维行向量，t那么为m*k的k维行向量，pp为o*i的i维行向量,ww为o* k的k维行向量%p,t作为网络训练输入，pp作为训练好的网络输入计算,最后的ww作为pp经过训练好的BP训练后的输出function ww=bpnet(p,t,ynum,maxnum,ex,lr,pp)plot(p,t,"+");title("训练向量");xlabel("P");ylabel("t");[w1,b1,w2,b2]=initff(p,ynum,"tansig",t,"purelin"); %初始化含一个隐层的BP网络zhen=25; %每迭代多少次更新显示biglr=1.1; %学习慢时学习率(用于跳出平坦区)litlr=0.7; %学习快时学习率(梯度下降过快时)a=0.7 %动量项a大小(△W(t)=lr*X*ん+a*△W(t-1))tp=[zhen maxnum ex lr biglr litlr a 1.04]; %trainbpx[w1,b1,w2,b2,ep,tr]=trainbpx(w1,b1,"tansig",w2,b2,"purelin", p,t,tp);ww=simuff(pp,w1,b1,"tansig",w2,b2,"purelin"); %ww就是调用结果下面是bpnet使用简例:%bpnet举例，因为BP网络的权值初始化都是随即生成，所以每次运行的状态可能不一样。

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); %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 PFPR：由R维的输入样本最小最大值构成的2R⨯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'BP网络的训练函数BP网络训练参数2、BP网络举例举例1、%traingdclear;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),[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。

神经⽹络算法例题（题⽬和解答以及Matlab代码）题⽬：采⽤贝叶斯正则化算法提⾼BP⽹络的推⼴能⼒，⽤来训练BP⽹络，使其能够拟合某⼀附加⽩噪声的正弦样本数据。

解答：采⽤贝叶斯正则化算法‘trainbr’训练BP⽹络，⽬标误差goal=1×10^-3，学习率lr=0.05,最⼤迭代次数epochs=500，拟合附加有⽩噪声的正弦样本数据，拟合数据均⽅根误差为0.0054，拟合后的图形⽤以下代码可以得出。

Matalb代码：clear all;%清除所有变量close all;%清图clc;%清屏%定义训练样本⽮量　Ｐ为输⼊⽮量P=[-1:0.05:1];%T为⽬标⽮量T=sin(2*pi*P)+0.1*randn(size(P));%绘制样本数据点figureplot(P,T,'+');hold on;plot(P,sin(2*pi*P),':');%绘制不含噪声的正弦曲线net=newff(minmax(P),[20,1],{'tansig','purelin'});%采⽤贝叶斯正则化算法TRAINBRnet.trainFcn='trainbr';%设置训练参数net.trainParam.show=50;%显⽰中间结果的周期net.trainParam.lr=0.05;%学习率net.trainParam.epochs=500;%最⼤迭代次数net.trainParam.goal=1e-3;%⽬标误差%⽤相应算法训练BP⽹络[net,tr]=train(net,P,T);%对BP⽹络进⾏仿真A=sim(net,P);%计算仿真误差E=T-A;MSE=mse(E);%绘制匹配结果曲线plot(P,A,P,T,'+',P,sin(2*pi*P),':');legend('样本点','标准正弦曲线','拟合正弦曲线');。

目录1.引言 (1)2.BP神经网络 (1)2.1.BP神经网络模型 (1)2.2 BP神经网络的设计方法 (2)3.用MATLAB神经网络工具箱进行BP网络设计 (2)4.BP网络设计实例 (4)4.1问题描述 (4)4.2使用MATLAB 进行函数逼近仿真实验 (4)5.结论 (10)参考文献： (10)BP网络的MATLAB实现摘要：本文介绍了BP神经网络及利用MATLAB神经网络工具箱构造BP网络的方法，阐述了构造神经网络的基本步骤，给出了具体应用实例，构造了一个典型的三层结构的神经网络，实现了具有函数逼近功能的BP网络设计。

关键词：BP神经网络MATLAB仿真函数逼近1.引言误差反向传播网络（Back Propagation Net-work，简称BP网络）是目前人工神经网络模式中最具代表性，应用最广泛的一种模型，具有自学习、自组织、自适应和很强的非线性映射能力，可以以任意精度逼近任何连续函数。

近年来，为了解决BP网络收敛速度慢，训练时间长等不足，提出了很多改进算法,然而，在针对实际问题的BP网络建模过程中，选择多少层网络，每层多少个神经元节点，选择何种传递函数等，均无可行的理论指导，只能通过大量的实验计算获得。

MATLAB中的神经网络工具箱（Neural Network Toolbox，简称NNbox），为解决这一问题提供了便利的条件，神经网络工具箱功能十分完善，提供了各种MATLAB 函数，包括神经网络的建立、初始化、训练和仿真等函数，以及各种改进训练算法函数，用户可以很方便地进行神经网络的设计和仿真，也可以在MATLAB源文件的基础上进行适当修改，形成自己的工具包满足实际需求。

2.BP神经网络2.1.BP神经网络模型从结构上讲，BP网络是一种分层型网络，由输入层。

隐含层和输出层组成。

层与层之间采用全互连方式，同一层的单元之间则不存在相互连接。

隐层可以有一个或多个。

1989年，Robert Hecht-Nielson 证明了一个三层的BP网络可以完成任意的n维到m维的映射。