《经典BP神经网络程序(共2页).doc》由会员分享，可在线阅读，更多相关《经典BP神经网络程序(共2页).doc（2页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、精选优质文档-倾情为你奉上function main()SamNum=100;%训练样本数TestSamNum=101;%测试样本数HiddenUnitNum=10;%隐节点数InDim=1;%输入样本维数OutDim=1;%输出维数%下面是一个函数rand(state,sum(100*clock)NoiseVar=0.1;Noise=NoiseVar*randn(1,SamNum);SamIn=8*rand(1,SamNum)-4;SamOutNoNoise=1.1*(1-SamIn+2*SamIn.2).*exp(-SamIn.2/2);SamOut=SamOutNoNoise+Noise
2、;TestSamIn=-4:0.08:4;TestSamOut=1.1*(1-TestSamIn+2*TestSamIn.2).*exp(-TestSamIn.2/2);figurehold ongridplot(SamIn,SamOut,k*)figureplot(TestSamIn,TestSamOut,k-)xlabel(Input x);ylabel(Output y);%以下BP算法是用来逼近上面的函数。MaxEpochs=20000;%最大训练次数lr=0.003;%学习率E0=0.5;%目标误差W1=0.2*rand(HiddenUnitNum,InDim)-0.1;%输入层到隐
3、层的初始权值B1=0.2*rand(HiddenUnitNum,1)-0.1;%隐节点初始阈值W2=0.2*rand(OutDim,HiddenUnitNum)-0.1;%隐层到输出层的初始权值B2=0.2*rand(OutDim,1)-0.1;%输出层初始阈值W1Ex=W1 B1;%输入层到隐层的初始权值扩展W2Ex=W2 B2;%隐层到输出层的初始权值扩展SamInEx=SamIn ones(SamNum,1);%输入样本扩展ErrHistory=;%记录权值调整后的训练误差for i=1:MaxEpochs %正向计算网络各层输出 HiddenOut=logsig(W1Ex*SamInE
4、x); HiddenOutEx=HiddenOut ones(SamNum,1); NetworkOut=W2Ex*HiddenOutEx; %判断训练是否停止 Error=SamOut-NetworkOut; SSE=sumsqr(Error) %记录每次权值调整后的训练误差 ErrHistory=ErrHistory SSE; if SSEE0,break,end %计算反向传播误差 Delta2=Error; Delta1=W2*Delta2.*HiddenOut.*(1-HiddenOut); %计算权值调整量 dW2Ex=Delta2*HiddenOutEx; dW1Ex=Delta
5、1*SamInEx; %权值调整 W1Ex=W1Ex+lr*dW1Ex; W2Ex=W2Ex+lr*dW2Ex; %分离隐层到输出层的权值 W2=W2Ex(:,1:HiddenUnitNum);end%以下显示计算结果iW1=W1Ex(:,1:InDim)B1=W1Ex(:,InDim+1)W2B2=W2Ex(:,1+HiddenUnitNum);%测试TestHiddenOut=logsig(W1*TestSamIn+repmat(B1,1,TestSamNum);TestNNOut=W2*TestHiddenOut+repmat(B2,1,TestSamNum);figureplot(TestSamIn,TestNNOut,k-);xlabel(Input TestSamIn);ylabel(Output TestNNOut);%绘制学习误差曲线figurehold ongridxx,Num=size(ErrHistory);plot(1:Num,ErrHistory,K-);专心-专注-专业