bp神经网络BP 输出 (3)

1、tic;%计时开始clc;%清屏clear all;%清除所有变量disp('输入层神经元个数：16');%显示输入层神经元个数input=16;disp('中间层神经元个数：8');%显示中间层神经元个数middle=8;disp('输出层神经元个数：3');%显示输出层神经元个数output=3;disp('输入模式1 2 3及其对应的输出：');x1=1;1;1;1;1;0;0;1;1;1;1;1;1;0;0;1;%x1(16,1)y1=1;0;0;%y1(3,1)x2=0;1;0;0;0;1;0;0;0;1;0;0;0;1

2、;0;0;%x2(16,1)y2=0;1;0;%y2(3,1)x3=1;1;1;1;1;0;0;1;1;0;0;1;1;1;1;1;%x3(16,1)y3=0;0;1;%y3(3,1)disp('形成一张供调用的样本向量表：');disp('X_sample向量表:x1,x2,x3');X_sample=x1,x2,x3%x1,x2,x3向量表>>>X(16,3)disp('X_sample向量表:y1,y2,y3');Y_sample=y1,y2,y3%y1,y2,y3向量表>>>Yo(3,3)disp(&#

3、39;初始化连接权矩阵：');disp('显示初始化连接权矩阵v(16,8):v(i,j):v(input,middle)：');v=rands(input,middle);%初始化连接权矩阵v(i,j):输入层与中间层的连接权>>>v(16,8)disp(v);%显示初始化连接权矩阵v(i,j)disp('显示初始化连接权矩阵w(8,3):w(j,k):w(middle,output)：');w=rands(middle,output);%初始化连接权矩阵w(j,t):中间层与输出层的连接权>>>w(8,3)disp

4、(w);%显示初始化连接权矩阵w(j,t)disp('初始化阈值矩阵：');disp('中间层阈值矩阵th1(8,1):th1(j,1):th1(middle,1)：');th1=rands(middle,1);%初始化中间层阈值矩阵th1:中间层的阈值>>>th1(8,1)disp(th1);%显示中间层阈值矩阵th1disp('输出层阈值矩阵th2(3,1)：th2(k,1):th2(output,1)：');th2=rands(output,1);%初始化输出层阈值矩阵th2:输出层的阈值>>>th2(3

5、,1)disp(th2);%显示中间层阈值矩阵th2out_middle=zeros(middle,1);%中间层的实际输出>>>out_middle(8,1)out_output=zeros(output,1);%输出层的实际输出>>>out_output(3,1)delta_output=zeros(output,1);%输出层的差值>>>delta_output(3,1)delta_middle=zeros(middle,1);%中间层的差值>>>delta_middle(8,1)sample_bumbers=3;%

6、样本数max_times=1000;%最大训练次数times=0;%训练次数eta=0.1;%学习系数etagamma=0.1;%学习系数gammaalpha=0.3;%动量系数sample_pointer=0;%样本数指针error_max=0.01;%最大误差error_global=1;%全局误差for times=1:max_times%begin for External Loopif error_global>error_max%begin for iferror_global=0;%全局误差for sample_pointer=1:sample_bumbersX0=X_sa

7、mple(:,sample_pointer);%分别输入模式x1,x2,x3:(16,1)>>>X(16,36),X0(16,1)Y0=Y_sample(:,sample_pointer);%分别输入模式y1,y2,y3:(3,1) >>>Yo(3,3),Y0(3,1)%计算中间层的输出：Y=v'*X0-th1;%Y(8,1)=v'(8,16)*X0(16,1)*-th1(8,1),计算中间层的输入for j=1:middle%j=1:8out_middle(j)=1/(1+exp(-Y(j);%out_middle(1,8)：中间层输出en

8、d%计算输出层输出：Y=w'*out_middle-th2;%Y(3,1)=w'(3,8)*out_middle(8,1)*-th2(3,1)，计算输出层的输入output_error(sample_pointer)=0;for k=1:output %k=1:3out_output(k)=1/(1+exp(-Y(k);%out_output(3,1):输出层输出error=(Y0(k)-out_output(k)*(Y0(k)-out_output(k)/2;%error为应有输出和实际输出之间的差值output_error(sample_pointer)=output_er

9、ror(sample_pointer)+error;end%计算所有样本的总体误差error_globalerror_global=error_global+output_error(sample_pointer);error_global=error_global/3;%计算输出层校正误差delta_output：for k=1:output %k=1:3delta_output(k)=(Y0(k)-out_output(k)*out_output(k)*(1-out_output(k);%delta_output(k)=delta_o(k)end%计算中间层校正误差delta_middle

10、：for j=1:middlebeta(j)=delta_output'*w(j,:)'delta_middle(j)=beta(j)*out_middle(j)*(1-out_middle(j);end%计算下一次的中间层和输出层之间的连接权w(i,j)，阈值th2(j)pre_w=0;pre_th2=0;for k=1:output;for j=1:middlew(j,k)=w(j,k)+eta*delta_output(k)*out_middle(j)+alpha*pre_w;%out_middle(j)=y(j)pre_w=eta*delta_output(k)*out

11、_middle(j);endth2(k)=th2(k)+eta*delta_output(k)+alpha*pre_th2;pre_th2=eta*delta_output(k);end %计算下一次的输入层和中间层之间的连接权v(i,j)，阈值th1(j)pre_v=0;pre_th1=0;for j=1:middle;for i=1:inputv(i,j)=v(i,j)+gamma*X0(i)*delta_middle(j)+alpha*pre_v; %调节输入层和中间层之间的连接权w(i,j)pre_v=gamma*X0(i)*delta_middle(j);endth1(j)=th1(

12、j)+gamma*delta_middle(j)+alpha*pre_th1;%调节中间层的阈值th1(j,1)pre_th1=gamma*delta_middle(j);endend%end for "for sample_pointer=1:sample_bumbers"else break;%当output_error<error_max时，结束调节过程end%end for elseend%end for "for times=1:max_times"disp('显示结果：');fprintf('输出权值v(16,8)n'