当前位置：文档之家 › BP神经网络matlab实例(简单而经典)(完整资料).doc

BP神经网络matlab实例(简单而经典)(完整资料).doc

  • 格式：doc
  • 大小：149.50 KB
  • 文档页数：14

【最新整理，下载后即可编辑】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,minmax(pn)找到pn 矩阵的最大最小值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net newff PR S S SNl TF TF TFNl BTF BLF PF=(,[1 2...],{ 1 2...},,,)PR：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网络训练参数举例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');%minmax(P)取P的最大最小值；[5,1]第一次神经元5个，第二层1个；'tansig','purelin'神经网络第一层和第二层的转移函数；'trainrp'网络训练函数。

net.trainParam.show=50; %最多显示训练步数net.trainParam.lr=0.05; %学习率（缺省为0.01）net.trainParam.epochs=300; %设置训练次数，net.trainParam.goal=1e-5; %设置精确度[net,tr]=train(net,P,T); %训练开始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。

样本数据：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=-1:0.1:1;D=[-0.9602 -0.5770 -0.0729 0.3771 0.6405 0.6600 0.4609...0.1336 -0.2013 -0.4344 -0.5000 -0.3930 -0.1647 -.0988...0.3072 0.3960 0.3449 0.1816 -0.312 -0.2189 -0.3201];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'});net.trainParam.epochs = 1000; %训练的最大次数net.trainParam.goal = 0.005; %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 = net.iw{1,1};%输入层到中间层权值theta1 = net.b{1};%中间层各神经元阈值W = net.lw{2,1};%中间层到输出层权值theta2 = net.b{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：()V=-9.1669 7.3448 7.3761 4.8966 3.5409T中间层各神经元的阈值：()θ=6.5885 -2.4019 -0.9962 1.5303 3.2731T中间层到输出层的权值：()W=0.3427 0.2135 0.2981 -0.8840 1.9134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。

样本数据：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'})net.trainParam.epochs = 100;net.trainParam.goal=0.005;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：2-2、2-3）V = net.iw{1,1}%输入层到中间层权值theta1 = net.b{1}%中间层各神经元阈值W = net.lw{2,1}%中间层到输出层权值theta2 = net.b{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 -0.3910TV=中间层各神经元的阈值：()θ=-14.0302 -9.8340 7.4331 -2.0135 0.5610T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 data3_1.txt;[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(1999.01.01-2009.12.31)','FontSize',12); xlabel('统计年份(1990.12.19-2009.08.19)','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net_1.trainParam.show = 50; %显示训练迭代过程（NaN表示不显示，缺省25）net_1.trainParam.lr = 0.025; %学习率（缺省0.01）net_1.trainParam.mc = 0.9; %动量因子（缺省0.9）net_1.trainParam.epochs = 10000; %最大训练次数net_1.trainParam.goal = 0.001; %训练要求精度inputWeights=net_1.IW{1,1} %输入层权值inputbias=net_1.b{1} %输入层阈值layerWeights=net_1.LW{2,1} %输出层权值layerbias=net_1.b{2} %输出层阈值TS',TSX% 网络训练[net_1,tr]=train(net_1,TS,TSX);另一问题隐层个数及训练次数可以在定义网络时自己设定，图形的话是系统自己生成的.题目的意思是00得到0，01得到1,10得到1,11得到0。

前者为输入，后者为输出.所以就这样构造:%输入一共四组，每组两个p=[0,0;0,1;1,0;1,1];%输出：t=[0,1,1,0]；构造神经网络:net=newff(p',t,{10},{'tansig'}，'trainlm');%上面这句话的意思是建立新的神经网络net，newff(输入，输出，{隐层数量及该层的节点个数}，{传输函数名}，训练函数)；{10}代表单隐层，并且该层节点为10个，如果想显示多隐层，比如双隐层，{10,15}这样就行，传输函数也要相应增加，比如{'tansig','logsig'}节点数和传输函数名可以随意调整，目的当然是让预测结果更精确%之后，net.trainParam.goal = 0.00001; %设置精确度net.trainParam.epochs = 5000; %设置训练次数，5000次[net,tr] = train(net,p',t); %训练开始。

合集下载

用matlab编BP神经网络预测程序

用matlab编BP神经网络预测程序

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200928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）。

利用MATLAB实现BP神经网络的设计[2页]

利用MATLAB实现BP神经网络的设计[2页]

!"#$%"&’()"$
科技广场
利用 36786& 实现 &’ 神经网络的设计
北京交通大学计算机与信息技术学院 杨雁宁
河南财经学院层 前 馈 神 经 网 络 ，因 其 采 用 误 差 反 向传播算法（ ())*) &+,- ’)*.+/+01*2，即 &’ 算法）而得 名 ，是 目 前 应 用 最 为 广 泛 的 神 经 网 络 之 一 。主 要 应 用 于 模 式 识 别 、函 数 逼 近 、数 据 压 缩 及 预 测 等 领 域 。 美 国 的 3+045*)- 公 司 推 出 的 36786& 软 件 包 既 是 一 种 非 常 实用有效的科研编程软件环境，又是一种进行科学和 工程计算的交互式程序。36786& 本身带有神经网络 工具箱，可以大大方便权值训练，减少训练程序工作 量 ，有 效 的 提 高 工 作 效 率 。
一、&’ 网络模型的拓朴结构 &’ 网络一般由三层组成，即输入层、隐含层、输出 层 。 层 与 层 之 间 采 用 全 互 连 方 式 。 9:%: 年 ，;*<=)0 >=,4—?1=@A*2 证明了一个三层的 &’ 网络可以完成任 意的 2 维到 B 维的映射。隐含层的神经元均采用 C 型 函数。输出层可以是线性神经元，也可以是对数 C 形神 经元。 假设 &’ 神经网络每层有 ! 个节点，作用函数为非 线性的 C1/B*1D 型函数，一般采用（" #）E9（F 9G$HI），学 习集包括 % 个样本模式（ &’，( ’）。对第 ) 个学习样本 （ )E9，!，…，%）
二、&’ 网络的 36786& 实现 在 36786& 神经网络工具箱中，有很多 方 便 的 构 建神经网络的函数。对 &’ 网络的实现可以分为四步： 创 建 、初 始 化 、训 练 和 仿 真 。 9$创建 2=5LL。 创建一个 ? 层的 &’ 神经网络的格式如下： *$+ E 2=5LL *$+ E 2=0（LL ’;，MC9 C!…C?N，O7P9 7P!…7P?Q， &7P，&8P，’P） 参数意义：’; 输入向量的取值范围。 C1 第 R 层的神经元个数，总共 ? 层。 7L1 第 R 层的传递函数，缺省值为“ 0+2A1/”。 &7P &’ 网络训练函数，缺省为“ 0)+12@B”。 &8P 权值和阈值学习函数，缺省为“ @=+)2/DB”。 ’P 性能函数，缺省值为“ BA=”。 !$初始化 12（10 ）。使用 2=5LL 创建前馈神经网络 后 ，网 络 会 自 动 地 初 始 化 权 值 和 阈 值 ，缺 省 值 都 是 "。 如果要设置这些初始值，可以使用函数 12（10 ）。 格式：*$+E12（10 2=0） S$训练 0)+12。神经网络的权值和阈值初始化以后， 就 可 以 对 网 络 进 行 训 练 。在 训 练 的 过 程 中 ，网 络 的 权 值 和 阈 值 被 反 复 地 调 整 ， 以 减 少 网 络 性 能 函 数 2=0$.=)H L*)BP,2 的值，直到达到预先的要求。 T$仿 真 A1B（ ）。仿真函数 A1B（ ）用来对网络 进 行 仿 真 。 利 用 此 函 数 ，可 以 在 网 络 训 练 前 后 分 别 进 行 输入输出的仿真，以作比较，从而对网络进行修改评价。 三 、设 计 实 例 建立一个两 层 的 &’ 神 经 网 络$ 输 入 的 范 围 是［ " 9"］，第一层采用正切 C 形神经元，第二层 采 用 线 性 神 经元。样本输入 ’ 和目标输出 7 为： ’ E M" 9 ! S T # U V % : 9"N；
BP神经网络MATLAB编程代码

BP神经网络MATLAB编程代码

BP神经网络的设计MATLAB编程例1 采用动量梯度下降算法训练 BP 网络。

训练样本定义如下：输入矢量为p =[-1 -2 3 1-1 1 5 -3]目标矢量为 t = [-1 -1 1 1]解：本例的 MATLAB 程序如下：close allclearecho onclc% 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pause% 敲任意键开始clc% 定义训练样本% P 为输入矢量P=[-1, -2, 3, 1; -1, 1, 5, -3];% T 为目标矢量T=[-1, -1, 1, 1];pause;clc% 创建一个新的前向神经网络net=newff(minmax(P),[3,1],{'tansig','purelin'},'traingdm')% 当前输入层权值和阈值inputWeights=net.IW{1,1}inputbias=net.b{1}% 当前网络层权值和阈值layerWeights=net.LW{2,1}layerbias=net.b{2}pauseclc% 设置训练参数net.trainParam.show = 50;net.trainParam.lr = 0.05;net.trainParam.mc = 0.9;net.trainParam.epochs = 1000;net.trainParam.goal = 1e-3;pauseclc% 调用 TRAINGDM 算法训练 BP 网络[net,tr]=train(net,P,T);pauseclc% 对 BP 网络进行仿真A = sim(net,P)% 计算仿真误差E = T - AMSE=mse(E)pauseclcecho off例2 采用贝叶斯正则化算法提高 BP 网络的推广能力。

BP人工神经网络及matlab实现

BP人工神经网络及matlab实现

logsig()
功能 对数Sigmoid激活函数 格式 a = logsig(N) 说明对数Sigmoid函数把神经元
的输入范围从(-∞，+∞)映射到(0， 1)。它是可导函数，适用于BP训 练的神经元。
5-4 一个简单的例子
下表为某药品的销售情况，现构建一个如下的三层BP神经网 络对药品的销售进行预测：输入层有三个结点，隐含层结点数为5， 隐含层的激活函数为tansig；输出层结点数为1个，输出层的激活 函数为logsig，并利用此网络对药品的销售量进行预测，预测方法 采用滚动预测方式，即用前三个月的销售量来预测第四个月的销 售量，如用1、2、3月的销售量为输入预测第4个月的销售量，用2、 3、4月的销售量为输入预测第5个月的销售量.如此反复直至满足预 测精度要求为止。
e = e yio who yio who
p
(
yio(k)= who
h
whohoh(k)-bo)
who
=hoh(k)
e
yio
=(12oq=1(do(k)-yoo(k)))2 yio
=-(do(k)-yoo(k))yoo
(k)
=-(do(k)-yoo(k))f(yio(k)) -o(k)
5-2 BP网络的学习算法
情况二的直观表达
当误差对权值的偏导数 小于零时，权值调整量 为正，实际输出少于期 望输出，权值向增大方 向调整，使得实际输出 与期望输出的差减少。
e
who
w
e
h
o
<0,
此时Δwho>0
演示
BP算法 手控
5-3 BP神经网络的重要函数和基本功能
5-3-1 BP神经网络的重要函数
函数名 newff() tansig() logsig() traingd()