BP神经网络matlab实例简单而经典.doc
BP神经网络matlab实例简单而经典.doc
- 配套讲稿：
如PPT文件的首页显示word图标，表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制：
部分文档作品中含有的国旗、国徽等图片，仅作为作品整体效果示例展示，禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词：
- 完整 word BP 神经网络 matlab 实例 简单 经典
- 资源描述：
-
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); %调用TRAINGDM算法训练BP网络 pnew=pnew1'; pnewn=tramnmx(pnew,minp,maxp); anewn=sim(net,pnewn); %对BP网络进行仿真 anew=postmnmx(anewn,mint,maxt); %还原数据 y=anew'; 1、BP网络构建 （1）生成BP网络 ：由维的输入样本最小最大值构成的维矩阵。 ：各层的神经元个数。 ：各层的神经元传递函数。 ：训练用函数的名称。 （2）网络训练 （3）网络仿真 {'tansig','purelin'},'trainrp' BP网络的训练函数 训练方法 训练函数 梯度下降法 traingd 有动量的梯度下降法 traingdm 自适应lr梯度下降法 traingda 自适应lr动量梯度下降法 traingdx 弹性梯度下降法 trainrp Fletcher-Reeves共轭梯度法 traincgf Ploak-Ribiere共轭梯度法 traincgp Powell-Beale共轭梯度法 traincgb 量化共轭梯度法 trainscg 拟牛顿算法 trainbfg 一步正割算法 trainoss Levenberg-Marquardt trainlm BP网络训练参数 训练参数 参数介绍 训练函数 net.trainParam.epochs 最大训练次数（缺省为10） traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm net.trainParam.goal 训练要求精度（缺省为0） traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm net.trainParam.lr 学习率（缺省为0.01） traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm net.trainParam.max_fail 最大失败次数（缺省为5） traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm net.trainParam.min_grad 最小梯度要求（缺省为1e-10） traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm net.trainParam.show 显示训练迭代过程（NaN表示不显示，缺省为25） traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm net.trainParam.time 最大训练时间（缺省为inf） traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm net.trainParam.mc 动量因子（缺省0.9） traingdm、traingdx net.trainParam.lr_inc 学习率lr增长比（缺省为1.05） traingda、traingdx net.trainParam.lr_dec 学习率lr下降比（缺省为0.7） traingda、traingdx net.trainParam.max_perf_inc 表现函数增加最大比（缺省为1.04） traingda、traingdx net.trainParam.delt_inc 权值变化增加量（缺省为1.2） trainrp net.trainParam.delt_dec 权值变化减小量（缺省为0.5） trainrp net.trainParam.delt0 初始权值变化（缺省为0.07） trainrp net.trainParam.deltamax 权值变化最大值（缺省为50.0） trainrp net.trainParam.searchFcn 一维线性搜索方法（缺省为srchcha） traincgf、traincgp、traincgb、trainbfg、trainoss net.trainParam.sigma 因为二次求导对权值调整的影响参数（缺省值5.0e-5） trainscg net.trainParam.lambda Hessian矩阵不确定性调节参数（缺省为5.0e-7） trainscg net.trainParam.men_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） trainlm net.trainParam.mu 的初始值（缺省为0.001） trainlm net.trainParam.mu_dec 的减小率（缺省为0.1） trainlm net.trainParam.mu_inc 的增长率（缺省为10） trainlm net.trainParam.mu_max 的最大值（缺省为1e10） trainlm 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),[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： 输入X 输出D 输入X 输出D 输入X 输出D -1.0000 -0.9602 -0.3000 0.1336 0.4000 0.3072 -0.9000 -0.5770 -0.2000 -0.2013 0.5000 0.3960 -0.8000 -0.0729 -0.1000 -0.4344 0.6000 0.3449 -0.7000 0.3771 0 -0.5000 0.7000 0.1816 -0.6000 0.6405 0.1000 -0.3930 0.8000 -0.3120 -0.5000 0.6600 0.2000 -0.1647 0.9000 -0.2189 -0.4000 0.4609 0.3000 -0.0988 1.0000 -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.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： 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： 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 输出D 输入X 输出D 输入X 输出D 0 0 4 4 8 2 1 1 5 3 9 3 2 2 6 2 10 4 3 3 7 1 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 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： 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： 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 价格 日期 价格 2009/02/02 2011.682 2009/03/02 2093.452 2009/02/03 2060.812 2009/03/03 2071.432 2009/02/04 2107.751 2009/03/04 2198.112 2009/02/05 2098.021 2009/03/05 2221.082 2009/02/06 2181.241 2009/03/06 2193.012 2009/02/09 2224.711 2009/03/09 2118.752 2009/02/10 2265.161 2009/03/10 2158.572 2009/02/11 2260.822 2009/03/11 2139.021 2009/02/12 2248.092 2009/03/12 2133.881 2009/02/13 2320.792 2009/03/13 2128.851 2009/02/16 2389.392 2009/03/16 2153.291 2009/02/17 2319.442 2009/03/17 2218.331 2009/02/18 2209.862 2009/03/18 2223.731 2009/02/19 2227.132 2009/03/19 2265.761 2009/02/20 2261.482 2009/03/20 2281.091 2009/02/23 2305.782 2009/03/23 2325.481 2009/02/24 2200.652 2009/03/24 2338.421 2009/02/25 2206.572 2009/03/25 2291.551 2009/02/26 2121.252 2009/03/26 2361.701 2009/02/27 2082.852 2009/03/27 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; %学习率（缺省0.01） net_1.trainParam.mc = 0.9; %动量因子（缺省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 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);展开阅读全文
咨信网温馨提示：1、咨信平台为文档C2C交易模式，即用户上传的文档直接被用户下载，收益归上传人（含作者）所有；本站仅是提供信息存储空间和展示预览，仅对用户上传内容的表现方式做保护处理，对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿，我们不确定上传用户享有完全著作权，根据《信息网络传播权保护条例》，如果侵犯了您的版权、权益或隐私，请联系我们，核实后会尽快下架及时删除，并可随时和客服了解处理情况，尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确)，网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据，个别因单元格分列造成显示页码不一将协商解决，平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺，下载前须认真查看，确认无误后再购买，务必慎重购买；若有违法违纪将进行移交司法处理，若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传，付费前请自行鉴别，如您付费，意味着您已接受本站规则且自行承担风险，本站不进行额外附加服务，虚拟产品一经售出概不退款（未进行购买下载可退充值款），文档一经付费（服务费）、不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印，是因预览和防盗链等技术需要对页面进行转换压缩成图而已，我们并不对上传的文档进行任何编辑或修改，文档下载后都不会有水印标识（原文档上传前个别存留的除外），下载后原文更清晰；试题试卷类文档，如果标题没有明确说明有答案则都视为没有答案，请知晓；PPT和DOC文档可被视为“模板”，允许上传人保留章节、目录结构的情况下删减部份的内容；PDF文档不管是原文档转换或图片扫描而得，本站不作要求视为允许，下载前可先查看【教您几个在下载文档中可以更好的避免被坑】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权，请谨慎使用；网站提供的党政主题相关内容(国旗、国徽、党徽－－等)目的在于配合国家政策宣传，仅限个人学习分享使用，禁止用于任何广告和商用目的。
6、文档遇到问题，请及时联系平台进行协调解决，联系【微信客服】、【QQ客服】，若有其他问题请点击或扫码反馈【服务填表】；文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“【版权申诉】”，意见反馈和侵权处理邮箱：1219186828@qq.com；也可以拔打客服电话：0574-28810668；投诉电话：18658249818。
实名认证
平台协调中心【客服】
自信AI助手
微信客服
客服QQ
发送邮件
意见反馈
链接地址：https://www.zixin.com.cn/doc/1362562.html