完整word版,BP神经网络matlab实例简单而经典

1、p=p 1't=t1'pn ,mi np ,max p,t n, mi nt,maxt=premnm x( 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n et.tra inP aram.lr=0.01;net.trai nP aram.e pochs=100000;n et.tra inP aram.goaI=1e-5;n et,tr=tr

2、a in(net ,pn ,t n);网络%调用TRAINGDM算法训练BPpnew=pn ew1'pnewn=tra mnmx(pn ew,mi np, max p); anewn=sim (n et ,pnewn);anew=postmnm x(a newn,min t,maxt); y=a new'%对BP网络进行仿真%还原数据1、BP网络构建(1)生成BP网络net newff (P R,S1 S2.SNI, TF1 TF 2TFNI, BTF , BLF ,PF )PR :由R维的输入样本最小最大值构成的R 2维矩阵。S1 S2.SNI:各层的神经元个数。TF1 TF

3、2TFNI:各层的神经元传递函数。BTF :训练用函数的名称。(2 )网络训练n et,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)'ta nsig',' pu reli n','tra inrp'BP网络的训练函数训练方法训练函数梯度下降法trai ngd有动量的梯度下降法train gdm自适应Ir梯度下降法train gda自适应Ir动量梯度下降法train gdx弹性梯度下降法rai nrpFletc

4、her-Reeves共轭梯度法traincgfPloak-Ribiere共轭梯度法traincgpPoweii-Beaie共轭梯度法traincgb量化共轭梯度法trainscg拟牛顿算法trai nbfg一步正割算法trainossLeve nberg-Marquardttrai nimBP网络训练参数训练参数n et.tra inP aram.e po chs参数介绍最大训练次数（缺省为 10）训练函数n et.tra inP aram.goal训练要求精度（缺省为 0）n et.trai nP aram.lr学习率（缺省为0.01）net.trainParam.max fail最大失败次

5、数（缺省为 5）n et.trai nP aram.min_grad最小梯度要求（缺省为1e-10）n et.trai nP aram.show显示训练迭代过程（NaN表 示不显示，缺省为 25）n et.trai nP aram.time最大训练时间（缺省为inf）n et.trai nP aram.mcnet.trainParam.lr inc动量因子（缺省0.9） 学习率Ir增长比（缺省为traingd、traingdm、traingda、 traingdx、trainrp、traincgf、 traincgp、traincgb、trainscg、 trainbfg、trainoss、t

6、rainim traingd、traingdm、traingda、 traingdx、trainrp、traincgf、 traincgp、traincgb、trainscg、 trainbfg、trainoss、trainim traingd、traingdm、traingda、 traingdx、trainrp、traincgf、 traincgp、traincgb、trainscg、 trainbfg、trainoss、trainIm traingd、traingdm、traingda、 traingdx、trainrp、traincgf、 traincgp、traincgb、train

7、scg、 trainbfg、trainoss、trainim traingd、traingdm、traingda、 traingdx、trainrp、traincgf、 traincgp、traincgb、trainscg、 trainbfg、trainoss、trainim traingd、traingdm、traingda、 traingdx、trainrp、traincgf、 traincgp、traincgb、trainscg、 trainbfg、trainoss、trainim traingd、traingdm、traingda、 traingdx、trainrp、traincgf、

8、 traincgp、traincgb、trainscg、 trainbfg、trainoss、trainim traingdm、traingdx traingda、traingdxnet.trainParam.lr decn et.trai nP aram.max_ perf_i ncnet.trainParam.delt inc1.05）学习率Ir下降比（缺省为0.7） 表现函数增加最大比（缺省为 1.04）权值变化增加量（缺省为1.2）traingda、traingdxtraingda、traingdxtrai nrpn et.trai nP aram.delt_dec权值变化减小量（缺省

9、为0.5）trai nrpn et.trai nP aram.delt0初始权值变化（缺省为0.07）trai nrpn et.tra inP aram.deltamax权值变化最大值（缺省为50.0）trai nrpn et.tra inP aram.searchFc n一维线性搜索方法（缺省为srchcha）traincgf、traincgp、traincgb、 trainbfg、trainossn et.trai nP aram.sigma因为二次求导对权值调整的 影响参数（缺省值 5.0e-5）train scgn et.tra inP aram.lambdaHessian矩阵不确定性

10、调节 参数（缺省为5.0e-7）train scgn et.trai nP aram.me n_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）train Imn et.trai nP aram.mu的初始值（缺省为 0.001）train Imn et.trai nP aram.mu_dec的减小率（缺省为 0.1）train Imn et.trai nP aram.mu_i nc的增长率（缺省为10）train Imn et.tra inP aram.mu_max的最大值（缺省为 1e10）train Im2、BP网络举例 举例1、%tra ingd c

11、lear;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 = n ewff(mi nm ax( P),5,1,'ta nsig',' pureli n','trai nrp');n et.trai nP aram.show=50;%n et.tra inP aram.lr=0.05;n et.tra inP aram.e po chs=300;n et.tra inP aram.goal=1e-5;n et,tr=tra in(n et ,P,T);net.iw1,1

12、%n et.b1%隐层权值隐层阈值net.lw2,1%net.b2%输岀层权值输岀层阈值sim( net ,P)其中隐层神经元个数为五个。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, 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

13、.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1,1，所以利用双极性 Sigmoid函数作为转移函数。程序如下:clear;cic;X=-1:0.1:1;D=-0.9602 -0.5770 -0.0729 0.3771 0.6405 0.6600 0.46090.1336 -0.2013 -0.4344 -0.5000 -0.3930 -0.1647 -.09880.3072 0.3960 0.3449 0.1816 -0.312 -0.

14、2189 -0.3201; figure;plot(X,D, '*' ); %绘制原始数据分布图(附录：net = n ewff(-1 1,5 1,1*1n et.tra inP aram.e pochs = 100; n et.tra inP aram.goal = 0.005; net = tra in(n et,X,D);O = sim( net,X); figure;plot(X,D, '*'V = net.iw1,1 theta1 = n et.b1W = net.lw2,1 theta2 = n et.b21-1 ) 'ta nsig'

15、; ，ta nsig'%训练的最大次数%全局最小误差);XO);%绘制训练后得到的结果和误差曲线(附录:%输入层到中间层权值%中间层各神经元阈值%中间层到输岀层权值%输岀层各神经元阈值1-2、1-3)所得结果如下：输出层各神经元的阈值:-1.5271输入层到中间层的权值：V-9.16697.34487.37614.89663.54o9中间层各神经元的阈值：6.5885-2.4019-0.99621.53033.2731中间层到输出层的权值：W0.34270.21350.2981-0.88401.9134其中隐层神经元个数为五个。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,

16、样本数据：输入X输出D输入X输出D输入X输出D004482日期价格日期价格2009/02/022011.6822009/03/022093.4522009/02/032060.8122009/03/032071.4322009/02/042107.7512009/03/042198.1122009/02/052098.0212009/03/052221.0822009/02/062181.2412009/03/062193.0122009/02/092224.7112009/03/092118.7522009/02/102265.1612009/03/102158.572问题：以下是上证指数

17、2009年2月2日到3月27日的收盘价格, 络，利用该组信号的 6个过去值预测信号的将来值。11539322621043371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;cic;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 = n ewff(0 10,5 1,'tan sig'， pureli n'n et.tra inP aram.e pochs = 100;n et.

18、trai nP aram.goal=0.005;net=trai n(n et,X,D);O=sim( net,X);figure;1*1)plot(X,D, '*'V = net.iw1,1 theta1 = n et.b1 W = n et.lw2,1 theta2 = n et.b2 所得结果如下：XO);%绘制训练后得到的结果和误差曲线(附录:%输入层到中间层权值%中间层各神经元阈值%中间层到输岀层权值%输岀层各神经元阈值2-2、2-3)输入层到中间层的权值:0.8584 2.0890 -1.2166 0.2752 -0.3916中间层各神经元的阈值:-14.0302

19、-9.8340 7.4331-2.0135 0.56W中间层到输出层的权值:-0.4675 -1.1234 2.32084.6402 -2.2686输出层各神经元的阈值:T 1.7623构建一个三层 BP神经网2009/02/112260.8222009/03/112139.0212009/02/122248.0922009/03/122133.8812009/02/132320.7922009/03/132128.8512009/02/162389.3922009/03/162153.2912009/02/172319.4422009/03/172218.3312009/02/182209.

20、8622009/03/182223.7312009/02/192227.1322009/03/192265.7612009/02/202261.4822009/03/202281.0912009/02/232305.7822009/03/232325.4812009/02/242200.6522009/03/242338.4212009/02/252206.5722009/03/252291.5512009/02/262121.2522009/03/262361.7012009/02/272082.8522009/03/272374.44load 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,TSX ps=ma pmi nm ax(tsx,1,2);TS,TS ps=ma pmi nm ax(ts,1,2);TSX=TSX'figure; p lot(ts, title( xlabel( ylabel( grid'Li ne