《2022年BP神经网络matlab实例简单而经典 .pdf》由会员分享，可在线阅读，更多相关《2022年BP神经网络matlab实例简单而经典 .pdf（7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、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; pnew
2、n=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.,)netnewffPR S SSNlTFTFTFNlBTF BLF PFPR：由R维的输入样本最小最大值构成的2R维矩阵。 1 2.S SSNl：各层的神经元个数。1 2.TFTFTFNl：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 PfAftrain net P T
3、 Pi Ai VV TV（3）网络仿真, (,)Y PfAf E perfsim net P Pi Ai Ttansig,purelin,trainrpBP 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trainrp Fletcher-Reeves共轭梯度法traincgf Ploak-Ribiere 共轭梯度法traincgp 名师归纳总结 精品学习资料 - - - - - - - - - - - - - - -精心整理归纳 精选学习资料 -
4、- - - - - - - - - - - - - - 第 1 页，共 7 页 - - - - - - - - - Powell-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 trainlm BP 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、
5、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 、tr
6、ainoss、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、trainlm net.trainParam.min_grad 最 小 梯 度 要 求 （ 缺 省 为1e-10）traingd 、 traingdm 、 traingda、traingdx 、trainrp、 traincgf、traincgp、 traincgb、 trainscg
7、、trainbfg 、trainoss、trainlm net.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、trainlm net.trainParam.time 最大训练时间（缺省为inf ）traingd 、 traingdm 、 traingda、traingdx 、trainrp、 traincgf、traincgp、 traincgb、 t
8、rainscg、trainbfg 、trainoss、trainlm net.trainParam.mc 动量因子（缺省0.9）traingdm 、traingdx net.trainParam.lr_inc 学习率lr增长比（缺省为1.05）traingda、traingdx net.trainParam.lr_dec 学习率 lr 下降比 （缺省为 0.7） traingda、traingdx net.trainParam.max_perf_inc 表现函数增加最大比（缺省为 1.04）traingda、traingdx net.trainParam.delt_inc 权 值 变 化增 加
9、量 （ 缺省为1.2）trainrp 名师归纳总结 精品学习资料 - - - - - - - - - - - - - - -精心整理归纳 精选学习资料 - - - - - - - - - - - - - - - 第 2 页，共 7 页 - - - - - - - - - net.trainParam.delt_dec 权 值 变 化减 小量 （ 缺省为0.5）trainrp net.trainParam.delt0 初始权值变化 （缺省为0.07） trainrp net.trainParam.deltamax 权 值 变 化最 大值 （ 缺省为50.0）trainrp net.trainPa
10、ram.searchFcn 一维线性搜索方法（缺省为srchcha）traincgf 、traincgp、 traincgb、trainbfg 、trainoss net.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 net.trainParam.lambda 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）trainlm net.trainParam.mu 的初始值（缺省为0.001）tr
11、ainlm net.trainParam.mu_dec 的减小率（缺省为0.1）trainlm net.trainParam.mu_inc 的增长率（缺省为10）trainlm net.trainParam.mu_max 的最大值（缺省为1e10）trainlm 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),5,1,tansig,purelin,trainrp); net.trainParam.show=50
12、;% net.trainParam.lr=0.05; net.trainParam.epochs=300; net.trainParam.goal=1e-5; net,tr=train(net,P,T); net.iw1,1%隐层权值net.b1%隐层阈值net.lw2,1%输出层权值net.b2%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：名师归纳总结 精品学习资料 - - - - - - - - - - - - - - -精心整理归纳 精选学习资料 - - - - - - - - - - - - - -
13、- 第 3 页，共 7 页 - - - - - - - - - 输入 X 输出 D 输入 X 输出 D 输入 X 输出 D -1.0000 -0.9602 -0.3000 0.1336 0.4000 0.3072 -0.9000 -0.5770 -0.2000 -0.2013 0.5000 0.3960 -0.8000 -0.0729 -0.1000 -0.4344 0.6000 0.3449 -0.7000 0.3771 0 -0.5000 0.7000 0.1816 -0.6000 0.6405 0.1000 -0.3930 0.8000 -0.3120 -0.5000 0.6600 0.
14、2000 -0.1647 0.9000 -0.2189 -0.4000 0.4609 0.3000 -0.0988 1.0000 -0.3201 解：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;
15、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 = 100; %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.iw1,1%输入层到中间层权值theta1 = net.b1% 中间层各神经元阈值W = net
16、.lw2,1%中间层到输出层权值theta2 = net.b2% 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 3.5409TV中间层各神经元的阈值：6.5885 -2.4019 -0.9962 1.5303 3.2731T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。样本数据：输入 X 输出 D 输入 X 输出 D 输入 X 输出 D 0 0 4 4 8
17、2 名师归纳总结 精品学习资料 - - - - - - - - - - - - - - -精心整理归纳 精选学习资料 - - - - - - - - - - - - - - - 第 4 页，共 7 页 - - - - - - - - - 1 1 5 3 9 3 2 2 6 2 10 4 3 3 7 1 解：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 = new
18、ff(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.iw1,1%输入层到中间层权值theta1 = net.b1% 中间层各神经元阈值W = net.lw2,1%中间层到输出层权值theta2 = net.b2% 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 -
19、1.2166 0.2752 -0.3910TV中间层各神经元的阈值：-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。日期价格日期价格2009/02/02 2011.682 2009/03/02 2093.452 2009/02/03 2060.812 2009/03/03 2071.
20、432 2009/02/04 2107.751 2009/03/04 2198.112 2009/02/05 2098.021 2009/03/05 2221.082 2009/02/06 2181.241 2009/03/06 2193.012 2009/02/09 2224.711 2009/03/09 2118.752 2009/02/10 2265.161 2009/03/10 2158.572 名师归纳总结 精品学习资料 - - - - - - - - - - - - - - -精心整理归纳 精选学习资料 - - - - - - - - - - - - - - - 第 5 页，共 7
21、 页 - - - - - - - - - 2009/02/11 2260.822 2009/03/11 2139.021 2009/02/12 2248.092 2009/03/12 2133.881 2009/02/13 2320.792 2009/03/13 2128.851 2009/02/16 2389.392 2009/03/16 2153.291 2009/02/17 2319.442 2009/03/17 2218.331 2009/02/18 2209.862 2009/03/18 2223.731 2009/02/19 2227.132 2009/03/19 2265.761
22、 2009/02/20 2261.482 2009/03/20 2281.091 2009/02/23 2305.782 2009/03/23 2325.481 2009/02/24 2200.652 2009/03/24 2338.421 2009/02/25 2206.572 2009/03/25 2291.551 2009/02/26 2121.252 2009/03/26 2361.701 2009/02/27 2082.852 2009/03/27 2374.44 load data3_1.txt;m,n=size( data3_1); tsx = data3_1(1:m-1,1);
23、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
24、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; % 训练要求精度名师归纳总结 精品学习资料 -
25、- - - - - - - - - - - - - -精心整理归纳 精选学习资料 - - - - - - - - - - - - - - - 第 6 页，共 7 页 - - - - - - - - - inputWeights=net_1.IW1,1 %输入层权值inputbias=net_1.b1 % 输入层阈值layerWeights=net_1.LW2,1 %输出层权值layerbias=net_1.b2 % 输出层阈值TS,TSX% 网络训练net_1,tr=train(net_1,TS,TSX);名师归纳总结 精品学习资料 - - - - - - - - - - - - - - -精心整理归纳 精选学习资料 - - - - - - - - - - - - - - - 第 7 页，共 7 页 - - - - - - - - -