BP神经网络课程设计

1、BP神经网络课程设计数值分析与数学实验专业实训报告书题 目基于BP神经网络预测方法的预测模型一、问题描述建立基于BP神经网络的信号回归模型，来预测某一组数据。二、基本要求1 .熟悉掌握神经网络知识；2 .学习多层感知器神经网络的设计方法和Matlab实现；3 .学习神经网络的典型结构；4 .了解BP算法基本思想，设计 BP神经网络架构；5 .谈谈实验体会与收获。三、数据结构BP网络能学习和存贮大量的输入 -输出模式映射关系，而无需 事前揭示描述这种映射关系的数学方程。它的学习规则是使用最 速下降法，经过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入

2、层(input)、隐层(hide layer)和输出层(output layer)。BP神经网络算法：神经网络由神经元和权重构成，神经元即 为：输入节点，输出节点和隐层结点三部分；权重是各个神经元 相互连接的强度。神经网络经过训练，从样本中学习知识，而且 将知识以数值的形式存储于连接权中。神经网络的分类过程分成 两部分，首先学习网络的权重，利用一些已知的数据训练网络得 到该类数据模型的权重；接着根据现有的网络结构和权重等参数 得到未知样本的类别。BP算法被称作反向传播算法，主要思想是 从前向后(正向)逐层传播信息；从后向前(反向)逐层传播输 出层的误差，间接算出隐层误差。四、实验内容人工神经网

3、络是用来模拟人脑结构及智能特点的一个前沿研 究领域，它的一个重要特点是经过网络学习达到其输出与期望输出 相符的结果，具有很强的自学习、自适应、鲁棒性、容错性及存储 记忆的能力.人工神经网络系统评价方法以其超凡的处理复杂非线 性问题的能力独树一帜，这种评价方法忠实于客观实际，不带任何人 为干预的成分，是一种较好的动态评价方法.近年来，人工神经网络 的研究和应用受到了国内外的极大重视.在人工神经网络中有多种模型，其中BP神经网络模型最成熟，其应用也最为广泛.BP神经网络是一种具有两层或两层以上的阶层型神经网络，层间神经元实现全连接，即下层的每个神经元与上层的每个神经元都 实现权连接，而层内各神经元

4、间无连接.典型的BP网络是三层前馈 阶层网络，即:输入层、隐含层和输出层.源程序：%=#始数据输入=p=2845 2833 4488;2833 4488 4554;4488 4554 2928;4554 29283497;2928 3497 2261;.3497 2261 6921;2261 6921 1391;69211391 3580;1391 35804451;3580 4451 2636;.4451 2636 3471;2636 3471 3854;34713854 3556;3854 35562659;3556 2659 4335;.2659 4335 2882;4335 2882

5、4084;4335 2882 1999;2882 19992889;1999 2889 2175;.2889 2175 2510;2175 2510 3409;25103409 3729;3409 37293489;3729 3489 3172;.3489 3172 4568;3172 4568 4015;'%=期望输出=t=4554 2928 3497 2261 6921 1391 3580 4451 2636 3471 3854 35562659 .4335 2882 4084 1999 2889 2175 2510 3409 3729 3489 3172 45684015 .36

6、66;ptest=2845 2833 4488;2833 4488 4554;4488 4554 2928;4554 29283497;2928 3497 2261;.3497 2261 6921;2261 6921 1391;69211391 3580;1391 35804451;3580 4451 2636;.4451 2636 3471;2636 3471 3854;34713854 3556;3854 35562659;3556 2659 4335;.2659 4335 2882;4335 2882 4084;4335 2882 1999;2882 19992889;1999 2889

7、 2175;.2889 2175 2510;2175 2510 3409;25103409 3729;3409 37293489;3729 3489 3172;.3489 3172 4568;3172 4568 4015;4568 4015 3666'pn,minp,maxp,tn,mint,maxt=premnmx(p,t); %将数据归一化NodeNum1 =20; %隐层第一层节点数NodeNum2=40; %隐层第二层节点数TypeNum = 1; %输出维数TF1 = 'tansig'TF2 = 'tansig'TF3 = 'tansi

8、g'net=newff(minmax(pn),NodeNum1,NodeNum2,TypeNum,TF1 TF2 TF3,'traingdx');%网络创立traingdmnet.trainParam.show=50;net.trainParam.epochs=50000; % 训练次数设置net.trainParam.goal=1e-5; %训练所要达到的精度net.trainParam.lr=0.01; %学习速率 net=train(net,pn,tn);p2n=tramnmx(ptest,minp,maxp);% 测试数据的归化an=sim(net,p2n);a=postmnmx(an,mint,maxt) %数据的反归一化，即最终想得到的 预测结果plot(1:length(t),t,'o',1:length(t)+1,a,'+');title('o表示预测值-*表示实际值')g