BP神经网络matlab实例(简单而经典)..doc-资料库

5da0c755-b01f-424c-ae09-ca32425e15b4.doc.pdf-第1页.png

第1页 / 共7页

5da0c755-b01f-424c-ae09-ca32425e15b4.doc.pdf-第2页.png

第2页 / 共7页

5da0c755-b01f-424c-ae09-ca32425e15b4.doc.pdf-第3页.png

第3页 / 共7页

5da0c755-b01f-424c-ae09-ca32425e15b4.doc.pdf-第4页.png

第4页 / 共7页

5da0c755-b01f-424c-ae09-ca32425e15b4.doc.pdf-第5页.png

第5页 / 共7页

5da0c755-b01f-424c-ae09-ca32425e15b4.doc.pdf-第6页.png

第6页 / 共7页

5da0c755-b01f-424c-ae09-ca32425e15b4.doc.pdf-第7页.png

第7页 / 共7页

学习神经网络的好助手，可以仿照其中的代码，只需修改个别参数便可以轻易实现自己需要完成的任务。 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); 网络 pnew=pnew1'; pnewn=tramnmx(pnew,minp,maxp); anewn=sim(net,pnewn); anew=postmnmx(anewn,mint,maxt); y=anew'; %对 BP 网络进行仿真 %还原数据 %调用 TRAINGDM 算法训练 BP 1、BP 网络构建（1）生成 BP 网络 net  newff PR S S ,[ 1 2... ( SNl TF TF ],{ 1 2... TFNl BTF BLF PF }, , , ) PR ：由 R 维的输入样本最小最大值构成的 2R  维矩阵。 [ 1 2... S S SNl ：各层的神经元个数。 ] { TF TF 1 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 Fletcher-Reeves 共轭梯度法 Ploak-Ribiere 共轭梯度法训练函数 traingd traingdm traingda traingdx trainrp traincgf traincgp

学习神经网络的好助手，可以仿照其中的代码，只需修改个别参数便可以轻易实现自己需要完成的任务。 Powell-Beale 共轭梯度法量化共轭梯度法拟牛顿算法一步正割算法 Levenberg-Marquardt BP 网络训练参数训练参数 net.trainParam.epochs net.trainParam.goal net.trainParam.lr net.trainParam.max_fail net.trainParam.min_grad net.trainParam.show net.trainParam.time net.trainParam.mc net.trainParam.lr_inc traincgb trainscg trainbfg trainoss trainlm 训练函数参数介绍最大训练次数（缺省为 10） traingd、traingdm、traingda、 traingdx、trainrp、traincgf、 traincgp、traincgb、trainscg、 trainbfg、trainoss、trainlm 训练要求精度（缺省为 0） traingd、traingdm、traingda、 traingdx、trainrp、traincgf、 traincgp、traincgb、trainscg、 trainbfg、trainoss、trainlm traingd、traingdm、traingda、 traingdx、trainrp、traincgf、 traincgp、traincgb、trainscg、 trainbfg、trainoss、trainlm 学习率（缺省为 0.01）最小梯度要求（缺省为 1e-10）最大失败次数（缺省为 5） traingd、traingdm、traingda、 traingdx、trainrp、traincgf、 traincgp、traincgb、trainscg、 trainbfg、trainoss、trainlm traingd、traingdm、traingda、 traingdx、trainrp、traincgf、 traincgp、traincgb、trainscg、 trainbfg、trainoss、trainlm traingd、traingdm、traingda、 traingdx、trainrp、traincgf、 traincgp、traincgb、trainscg、 trainbfg、trainoss、trainlm 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） traingd、traingdm、traingda、 traingdx、trainrp、traincgf、 traincgp、traincgb、trainscg、 trainbfg、trainoss、trainlm traingdm、traingdx traingda、traingdx 动量因子（缺省 0.9）学习率 lr 增长比（缺省为 1.05）学习率 lr 下降比（缺省为 0.7） traingda、traingdx traingda、traingdx net.trainParam.lr_dec net.trainParam.max_perf_inc 表现函数增加最大比（缺省 net.trainParam.delt_inc 为 1.04）权值变化增加量（缺省为 1.2） trainrp

学习神经网络的好助手，可以仿照其中的代码，只需修改个别参数便可以轻易实现自己需要完成的任务。 net.trainParam.delt_dec net.trainParam.delt0 net.trainParam.deltamax net.trainParam.searchFcn net.trainParam.sigma net.trainParam.lambda net.trainParam.men_reduc traincgf、traincgp、traincgb、 trainbfg、trainoss trainscg trainscg trainrp 权值变化减小量（缺省为 0.5）初始权值变化（缺省为 0.07） trainrp trainrp 权值变化最大值（缺省为 50.0）一维线性搜索方法（缺省为 srchcha）因为二次求导对权值调整的影响参数（缺省值 5.0e-5） Hessian 矩阵不确定性调节参数（缺省为 5.0e-7）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） 的初始值（缺省为 0.001） trainlm 的减小率（缺省为 0.1） trainlm 的增长率（缺省为 10） trainlm 的最大值（缺省为 1e10） trainlm trainlm net.trainParam.mu net.trainParam.mu_dec net.trainParam.mu_inc net.trainParam.mu_max 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'); 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。样本数据：

学习神经网络的好助手，可以仿照其中的代码，只需修改个别参数便可以轻易实现自己需要完成的任务。输入 X -1.0000 -0.9000 -0.8000 -0.7000 -0.6000 -0.5000 -0.4000 解：输出 D -0.9602 -0.5770 -0.0729 0.3771 0.6405 0.6600 0.4609 输入 X -0.3000 -0.2000 -0.1000 0 0.1000 0.2000 0.3000 输出 D 0.1336 -0.2013 -0.4344 -0.5000 -0.3930 -0.1647 -0.0988 输入 X 0.4000 0.5000 0.6000 0.7000 0.8000 0.9000 1.0000 输出 D 0.3072 0.3960 0.3449 0.1816 -0.3120 -0.2189 -0.3201 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 = 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.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 3.5409 T 中间层各神经元的阈值：    6.5885 -2.4019 -0.9962 1.5303 3.2731 T 中间层到输出层的权值：输出层各神经元的阈值： T  W  0.3427 0.2135 0.2981 -0.8840 1.9134   -1.5271 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 0 输出 D 0 输入 X 4 输出 D 4 输入 X 8 输出 D 2

学习神经网络的好助手，可以仿照其中的代码，只需修改个别参数便可以轻易实现自己需要完成的任务。 1 2 3 解： 1 2 3 5 6 7 3 2 1 9 10 3 4 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： V    0.8584 2.0890 -1.2166 0.2752 -0.3910 T 中间层各神经元的阈值：    -14.0302 -9.8340 7.4331 -2.0135 0.5610 T 中间层到输出层的权值： W   -0.4675 -1.1234 2.3208 4.6402 -2.2686  输出层各神经元的阈值： 1.7623 T  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 2009/02/02 2009/02/03 2009/02/04 2009/02/05 2009/02/06 2009/02/09 2009/02/10 价格 2011.682 2060.812 2107.751 2098.021 2181.241 2224.711 2265.161 日期 2009/03/02 2009/03/03 2009/03/04 2009/03/05 2009/03/06 2009/03/09 2009/03/10 价格 2093.452 2071.432 2198.112 2221.082 2193.012 2118.752 2158.572

学习神经网络的好助手，可以仿照其中的代码，只需修改个别参数便可以轻易实现自己需要完成的任务。 2009/02/11 2009/02/12 2009/02/13 2009/02/16 2009/02/17 2009/02/18 2009/02/19 2009/02/20 2009/02/23 2009/02/24 2009/02/25 2009/02/26 2009/02/27 2260.822 2248.092 2320.792 2389.392 2319.442 2209.862 2227.132 2261.482 2305.782 2200.652 2206.572 2121.252 2082.852 2009/03/11 2009/03/12 2009/03/13 2009/03/16 2009/03/17 2009/03/18 2009/03/19 2009/03/20 2009/03/23 2009/03/24 2009/03/25 2009/03/26 2009/03/27 2139.021 2133.881 2128.851 2153.291 2218.331 2223.731 2265.761 2281.091 2325.481 2338.421 2291.551 2361.701 2374.44 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; net_1.trainParam.mc = 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 %动量因子（缺省0.9） %学习率（缺省0.01）

学习神经网络的好助手，可以仿照其中的代码，只需修改个别参数便可以轻易实现自己需要完成的任务。 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);

资料库

BP神经网络matlab实例(简单而经典)..doc

相关推荐

大数据

热门标签

最新资料