BP神经网络实验.doc

例一、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-1.0000-0.9602-0.30000.13360.40000.3072-0.9000-0.5770-0.2000-0.20130.50000.3960-0.8000-0.0729-0.1000-0.43440.60000.3449-0.70000.37710-0.50000.70000.1816-0.60000.64050.1000-0.39300.8000-0.3120-0.50000.66000.2000-0.16470.9000-0.2189-0.40000.46090.3000-0.09881.0000-0.3201解：看到期望输出的范围是，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.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： 中间层各神经元的阈值： 中间层到输出层的权值： 输出层各神经元的阈值：例二、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D00448211539322621043371解：看到期望输出的范围超出，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（附录：2-1）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.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：中间层各神经元的阈值： 中间层到输出层的权值： 输出层各神经元的阈值：例三、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2009/02/022011.6822009/03/022093.4522009/02/032060.8122009/03/032071.4322009/02/042107.7512009/03/042198.1122009/02/052098.0212009/03/052221.0822009/02/062181.2412009/03/062193.0122009/02/092224.7112009/03/092118.7522009/02/102265.1612009/03/102158.5722009/02/112260.8222009/03/112139.0212009/02/122248.0922009/03/122133.8812009/02/132320.7922009/03/132128.8512009/02/162389.3922009/03/162153.2912009/02/172319.4422009/03/172218.3312009/02/182209.8622009/03/182223.7312009/02/192227.1322009/03/192265.7612009/02/202261.4822009/03/202281.0912009/02/232305.7822009/03/232325.4812009/02/242200.6522009/03/242338.4212009/02/252206.5722009/03/252291.5512009/02/262121.2522009/03/262361.7012009/02/272082.8522009/03/272374.44解：clear;clc;D1=2011.682 2060.812 2107.751 2098.021 2181.241 2224.711. 2265.161 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 2093.452 2071.432 2198.112 2221.082. 2193.012 2118.752 2158.572 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;D = premnmx(D1)%数据归一化把数据化到-1,1范围内Q=length(D);count = 1:1:Q;X=zeros(6,0);X(1,2:Q)=D(1,1:(Q-1);X(2,3:Q)=D(1,1:(Q-2);X(3,4:Q)=D(1,1:(Q-3);X(4,5:Q)=D(1,1:(Q-4);X(5,6:Q)=D(1,1:(Q-5);X(6,7:Q)=D(1,1:(Q-6);figure;plot(count,D,count,D,*); %绘制原始数据分布图（附录：3-1）net = newff(minmax(X),7 1,tansig,tansig)net.trainParam.epochs = 100;net.trainParam.goal=0.005;net=train(net,X,D);O=sim(net,X);figure;plot(count,D,*,count,O,r); %绘制训练后得到的结果和误差曲线