用matlab編BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)程序

1、適用標(biāo)準(zhǔn)文案求用matlab編BP神經(jīng)網(wǎng)絡(luò)展望程序求一用matlab編的程序P=。;輸入T=。;輸出創(chuàng)立一個(gè)新的前向神經(jīng)網(wǎng)絡(luò)net_1=newff(minmax(P),10,1,tansig,purelin,traingdm)目前輸入層權(quán)值和閾值inputWeights=net_1.IW1,1inputbias=net_1.b1目前網(wǎng)絡(luò)層權(quán)值和閾值layerWeights=net_1.LW2,1layerbias=net_1.b2設(shè)置訓(xùn)練參數(shù)=50;=0.05;=0.9;=10000;=1e-3;調(diào)用TRAINGDM算法訓(xùn)練BP網(wǎng)絡(luò)net_1,tr=train(net_1,P,T);對(duì)BP網(wǎng)絡(luò)

2、進(jìn)行仿真A=sim(net_1,P);計(jì)算仿真偏差E=T-A;MSE=mse(E)x=。;%測(cè)試sim(net_1,x)%不行能啊我200928出色文檔適用標(biāo)準(zhǔn)文案對(duì)初學(xué)神經(jīng)網(wǎng)絡(luò)者的小提示第二步：掌握以下算法:最小均方偏差,這個(gè)原理是下邊提到的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的理論核心,入門(mén)者要先看高等數(shù)學(xué)（高等教育第一版社，同濟(jì)大學(xué)版）第8章的第十節(jié)：“最小二乘法”。在第2步的基礎(chǔ)上看Hebb學(xué)習(xí)算法、SOM和K-近鄰算法，上述算法都是在最小均方偏差基礎(chǔ)上的改良算法，參照書(shū)本是神經(jīng)網(wǎng)絡(luò)原理（機(jī)械工業(yè)第一版社，SimonHaykin著，中英文都有）、人工神經(jīng)網(wǎng)絡(luò)與模擬進(jìn)化計(jì)算（清華大學(xué)第一版社，閻平庸，張長(zhǎng)水

3、著）、模式分類（機(jī)械工業(yè)第一版社，RichardO.Duda等著，中英文都有）、神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)（機(jī)械工業(yè)第一版社，MartinT.Hargan等著，中英文都有）。4.ART(自適應(yīng)諧振理論),該算法的最平常易懂的讀物就是神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)（機(jī)械工業(yè)第一版社，MartinT.Hargan等著，中英文都有）的第15和16章。若看理論剖析較費(fèi)力可直接編程實(shí)現(xiàn)一下節(jié)的ART1算法小節(jié)中的算法.4.BP算法,初學(xué)者若對(duì)偏差反傳的剖析過(guò)程理解費(fèi)勁可先跳過(guò)理論剖析和證明的內(nèi)容,直接利用最后的學(xué)習(xí)規(guī)則編個(gè)小程序并測(cè)試,建議看機(jī)器學(xué)習(xí)(機(jī)械工業(yè)第一版社，TomM.Mitchell著，中英文都有）的第4章和神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)（

4、機(jī)械工業(yè)第一版社，MartinT.Hargan等著，中英文都有）的第11章。BP神經(jīng)網(wǎng)絡(luò)Matlab實(shí)例（1）分類：Matlab實(shí)例采納Matlab工具箱函數(shù)成立神經(jīng)網(wǎng)絡(luò)，對(duì)一些基本的神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行了說(shuō)明，深入認(rèn)識(shí)參照Matlab幫助文檔。例1采納動(dòng)量梯度降落算法訓(xùn)練BP網(wǎng)絡(luò)。訓(xùn)練樣本定義以下：輸入矢量為p=-1-231%-115-3%目標(biāo)矢量為t=-1-111closeallclearclc%出色文檔適用標(biāo)準(zhǔn)文案-NEWFF生成一個(gè)新的前向神經(jīng)網(wǎng)絡(luò),函數(shù)格式：%net=newff(PR,S1S2.SNl,TF1TF2.TFNl,BTF,BLF,PF)takes,PR-Rx2matrixof

5、minandmaxvaluesforRinputelements（關(guān)于R維輸入，PR是一個(gè)Rx2的矩陣，每一行是相應(yīng)輸入的界限值）Si-第i層的維數(shù)TFi-第i層的傳達(dá)函數(shù),default=tansigBTF-反向流傳網(wǎng)絡(luò)的訓(xùn)練函數(shù),default=traingdxBLF-反向流傳網(wǎng)絡(luò)的權(quán)值/閾值學(xué)習(xí)函數(shù),default=learngdmPF-性能函數(shù),default=mse%-TRAIN對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，函數(shù)格式：train(NET,P,T,Pi,Ai,VV,TV)，輸入?yún)?shù)：net-所成立的網(wǎng)絡(luò)P-網(wǎng)絡(luò)的輸入T-網(wǎng)絡(luò)的目標(biāo)值,default=zerosPi-初始輸入延緩,defaul

6、t=zerosAi-初始網(wǎng)絡(luò)層延緩,default=zerosVV-考證向量的構(gòu)造,default=TV-測(cè)試向量的構(gòu)造,default=返回值：net-訓(xùn)練以后的網(wǎng)絡(luò)TR-訓(xùn)練記錄(訓(xùn)練次數(shù)及每次訓(xùn)練的偏差)Y-網(wǎng)絡(luò)輸出E-網(wǎng)絡(luò)偏差Pf-最后輸入延緩Af-最后網(wǎng)絡(luò)層延緩%-SIM對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真，函數(shù)格式：Y,Pf,Af,E,perf=sim(net,P,PiAi,T)參數(shù)與前同。%-%定義訓(xùn)練樣本P為輸入矢量出色文檔適用標(biāo)準(zhǔn)文案echoonP=-1,-2,3,1;-1,1,5,-3;T為目標(biāo)矢量T=-1,-1,1,1;創(chuàng)立一個(gè)新的前向神經(jīng)網(wǎng)絡(luò)net=newff(minmax(P),3

7、,1,tansig,purelin,traingdm)-訓(xùn)練函數(shù)：traingdm，功能：以動(dòng)量BP算法修正神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值。它的有關(guān)特征包含：epochs：訓(xùn)練的次數(shù)，默認(rèn)：100goal：偏差性能目標(biāo)值，默認(rèn)：0lr：學(xué)習(xí)率，默認(rèn)：0.01max_fail：確認(rèn)樣本進(jìn)行仿真時(shí)，最大的失敗次數(shù)，默認(rèn)：5mc：動(dòng)量因子，默認(rèn)：0.9min_grad：最小梯度值，默認(rèn)：1e-10show：顯示的間隔次數(shù)，默認(rèn)：25time：訓(xùn)練的最長(zhǎng)時(shí)間，默認(rèn)：inf%-目前輸入層權(quán)值和閾值inputWeights=net.IW1,1inputbias=net.b1目前網(wǎng)絡(luò)層權(quán)值和閾值layerWeight

8、s=net.LW2,1layerbias=net.b2設(shè)置網(wǎng)絡(luò)的訓(xùn)練參數(shù)=50;=0.05;=0.9;=1000;=1e-3;調(diào)用TRAINGDM算法訓(xùn)練BP網(wǎng)絡(luò)net,tr=train(net,P,T);對(duì)BP網(wǎng)絡(luò)進(jìn)行仿真A=sim(net,P)計(jì)算仿真偏差E=T-AMSE=mse(E)echooff出色文檔適用標(biāo)準(zhǔn)文案figure;plot(1:4),T,-*,(1:4),A,-o)BP神經(jīng)網(wǎng)絡(luò)的原理及算法的基本步驟理論上已證明,一個(gè)3層的BP網(wǎng)絡(luò)能夠?qū)崿F(xiàn)隨意的連續(xù)映照,能夠隨意精度迫近任何給定的連續(xù)函數(shù)。1BP神經(jīng)網(wǎng)絡(luò)的原理BP(BackPropagation)神經(jīng)網(wǎng)絡(luò)往常由擁有多個(gè)節(jié)點(diǎn)

9、的輸入層(inputlayer)、隱含層(hiddenlayer)和多個(gè)或一個(gè)輸出節(jié)點(diǎn)的輸出層(outputlayer)構(gòu)成,其學(xué)習(xí)過(guò)程分為信息的正向流傳過(guò)程和偏差的反向流傳過(guò)程兩個(gè)階段。外面輸入的信號(hào)經(jīng)輸入層、隱含層為止。的神經(jīng)元逐層辦理,向前流傳到輸出層,給出結(jié)果。假如在輸出層得不到希望輸出,則轉(zhuǎn)入逆向流傳過(guò)程,將實(shí)質(zhì)值與網(wǎng)絡(luò)輸出之間的偏差沿原連結(jié)通路返回,經(jīng)過(guò)改正各層神經(jīng)元的連結(jié)權(quán)重,減少偏差,而后再轉(zhuǎn)入正向流傳過(guò)程,頻頻迭代,直到偏差小于給定的值表119812005年全國(guó)總?cè)丝冢▎挝唬喝f(wàn)人）年份198119821983198419851986198719881989人口99622101

10、541102495103604104639106008108000109614111191年份199019911992199319941995199619971998人口114333115823117171118517119850121121122389123626124810年份1999200020012002200320042005人口125909缺省127627128453129227129988130756模型二展望2001年2010年全國(guó)總?cè)丝冢▎挝?萬(wàn)人）年份20012002200320042005人口127699128457129220129987130758年份20062007

11、200820092010人口131534132315133100133890134685模型展望的全國(guó)總?cè)丝?1981年至2016年)(單位：萬(wàn)人)年份198119821983198419851991人口99266101308102967104600106203115172年份199219931994199520012002人口116550117895119205120480127403128436年份200320042005200620072008出色文檔適用標(biāo)準(zhǔn)文案人口129437130405131340132244133116133958年份20092010201520202025203

12、0人口134770135552139049141921144257146144年份203520402045205020602070人口147659148869149832150596151678152352年份208020902100210521102120人口152769153026153185153240153283153344模型四展望2011至2020年人口(單位：萬(wàn)人)年份20112012201320142015全國(guó)總?cè)丝?34668135478136325137185138036年份20162017201820192020全國(guó)總?cè)丝?388621396521404021411061

13、41760出色文檔適用標(biāo)準(zhǔn)文案2.1利用MatlabScript節(jié)點(diǎn)實(shí)現(xiàn)在此以對(duì)一個(gè)非線性函數(shù)的迫近作為例子來(lái)說(shuō)明實(shí)現(xiàn)流程,此中輸入矢量p=-10.051;目標(biāo)矢量t=sin(2*pi*p)+0.1randn(size(p)。利用Mat-labScript節(jié)點(diǎn)實(shí)現(xiàn)BP算法的過(guò)程以下:新建一個(gè)LabVIEWvi,在框圖程序中增添MatlabScript節(jié)點(diǎn)。在節(jié)點(diǎn)內(nèi)增添Matlab的動(dòng)量BP算法實(shí)現(xiàn)代碼,并分別在節(jié)點(diǎn)左右側(cè)框分別增添對(duì)應(yīng)的輸入/輸出參數(shù),如圖1所示。在vi的前面板增添相應(yīng)的控件,設(shè)置輸入?yún)?shù),連結(jié)輸出控件。履行程序,結(jié)果如圖2、圖3所示。出色文檔適用標(biāo)準(zhǔn)文案下邊的代碼將重修我們從

14、前的網(wǎng)絡(luò)，而后用批辦理最速降落法訓(xùn)練網(wǎng)絡(luò)。（注意用批辦理方式訓(xùn)練的話所有的輸入要設(shè)置為矩陣方式）net=newff(-12;05,3,1,tansig,purelin,traingd);出色文檔適用標(biāo)準(zhǔn)文案=50;=0.05;=300;=1e-5;p=-1-122;0505;t=-1-111;net=train(net,p,t);TRAINGD,Epoch0/300,MSE1.59423/1e-05,Gradient2.76799/1e-10TRAINGD,Epoch50/300,MSE0.00236382/1e-05,Gradient0.0495292/1e-10TRAINGD,Epoch1

15、00/300,MSE0.000435947/1e-05,Gradient0.0161202/1e-10TRAINGD,Epoch150/300,MSE8.68462e-05/1e-05,Gradient0.00769588/1e-10TRAINGD,Epoch200/300,MSE1.45042e-05/1e-05,Gradient0.00325667/1e-10TRAINGD,Epoch211/300,MSE9.64816e-06/1e-05,Gradient0.00266775/1e-10TRAINGD,Performancegoalmet.a=sim(net,p)a=-1.0010-0.

16、99891.00180.9985用nnd12sd1來(lái)演示批辦理最速降落法的性能。帶動(dòng)量的批辦理梯度降落法（TRAINGDM）出色文檔適用標(biāo)準(zhǔn)文案net=newff(-12;05,3,1,tansig,purelin,traingdm);=50;=0.05;=0.9;=300;=1e-5;p=-1-122;0505;t=-1-111;net=train(net,p,t);TRAINGDM,Epoch0/300,MSE3.6913/1e-05,Gradient4.54729/1e-10TRAINGDM,Epoch50/300,MSE0.00532188/1e-05,Gradient0.213222

17、/1e-10TRAINGDM,Epoch100/300,MSE6.34868e-05/1e-05,Gradient0.0409749/1e-10TRAINGDM,Epoch114/300,MSE9.06235e-06/1e-05,Gradient0.00908756/1e-10TRAINGDM,Performancegoalmet.a=sim(net,p)a=-1.0026-1.00440.99690.99923.1MATLAB神經(jīng)網(wǎng)絡(luò)工具箱的GUI（圖形用戶界面）工具.神經(jīng)網(wǎng)絡(luò)工具箱的GUI工具主要包含：1）神經(jīng)網(wǎng)絡(luò)GUI工具主窗口；2）神經(jīng)網(wǎng)絡(luò)的成立窗口；3）網(wǎng)絡(luò)訓(xùn)練對(duì)話框；4）自適應(yīng)參數(shù)

18、設(shè)置對(duì)話框；5）權(quán)值顯示窗口.經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)工具箱的GUI工具按鈕出色文檔適用標(biāo)準(zhǔn)文案就能很方便地翻開(kāi)所成立的神經(jīng)網(wǎng)絡(luò)的構(gòu)造圖進(jìn)行觀察，也能夠看到一個(gè)訓(xùn)練過(guò)程的偏差曲線變化圖.3.2神經(jīng)網(wǎng)絡(luò)工具箱解決問(wèn)題的一般步驟1）對(duì)待解決的問(wèn)題進(jìn)行剖析，依據(jù)各樣網(wǎng)絡(luò)的特色采納適合的網(wǎng)絡(luò)模型；2）成立網(wǎng)絡(luò)；3）對(duì)網(wǎng)絡(luò)初始化；4）對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；5）對(duì)網(wǎng)絡(luò)進(jìn)行仿真檢驗(yàn)；6）應(yīng)用網(wǎng)絡(luò)解決問(wèn)題.系統(tǒng)的展望仿真4.1使用神經(jīng)網(wǎng)絡(luò)GUI工具成立神經(jīng)網(wǎng)絡(luò)的輸入樣本和目標(biāo)樣本1）在MATLAB命令窗口輸入nntool，翻開(kāi)圖形用戶界面工具主窗口，如圖1所示.2）單擊NewData按鈕，翻開(kāi)數(shù)據(jù)生成對(duì)話框.成立輸入樣本P，數(shù)

19、據(jù)的輸入和設(shè)置如圖2所示，單擊Create按鈕封閉對(duì)話框.3）依據(jù)上一步，輸入目標(biāo)樣本T，數(shù)據(jù)種類選Targets.回到GUI工具的主窗口，單擊Export按鈕彈出導(dǎo)出對(duì)話框，選中變量P和T，而后單擊Export按鈕，把變量P和T導(dǎo)出到工作區(qū).這為仿真文件從工作空間調(diào)用導(dǎo)入數(shù)據(jù)做好了準(zhǔn)備.4.2成立仿真模型文件進(jìn)行展望運(yùn)轉(zhuǎn)MATLAB軟件中的Simulink仿真環(huán)境，在神經(jīng)網(wǎng)絡(luò)模塊庫(kù)中調(diào)用神經(jīng)網(wǎng)絡(luò)展望控制模塊NNPredictiveController，用模塊封裝技術(shù)成立河流水質(zhì)數(shù)學(xué)方程模塊，連結(jié)信號(hào)源模塊和示波器模塊后就成立了河流水質(zhì)展望仿真文件predwq.mdl，如圖3，此中FromWo

20、rkspace模塊中是目標(biāo)樣本T的數(shù)據(jù)，能夠直接從工作區(qū)導(dǎo)入.雙擊神經(jīng)網(wǎng)絡(luò)展望控制模塊NNPredictiveController，彈出如圖4的窗口，此窗口用于設(shè)計(jì)模型展望控制器，輸入控制器變量空間N2和Nu、權(quán)值參數(shù)和控制最優(yōu)化參數(shù)的值.而后點(diǎn)擊PlantIdentification按鈕，翻開(kāi)系統(tǒng)辨別窗口，從工作區(qū)導(dǎo)入輸入樣本P，出色文檔適用標(biāo)準(zhǔn)文案設(shè)置好其余參數(shù)后訓(xùn)練網(wǎng)絡(luò)，單擊OK按鈕，將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型導(dǎo)入到神經(jīng)網(wǎng)絡(luò)展望控制模塊中，在NNPredictiveController窗口中單擊OK按鈕，將控制器參數(shù)導(dǎo)入到NNPredictiveController模塊中.圖3predwq.

21、mdl仿真文件圖4神經(jīng)網(wǎng)絡(luò)展望控制模塊窗口系統(tǒng)模塊SystemModel是用模塊封裝技術(shù)封裝的河流水質(zhì)微分方程式（4）的仿真模塊，如圖所示.在predwqSimulink主窗口，仿真時(shí)間輸入100，再單擊Startsimulation命令按鈕開(kāi)始仿真.仿真結(jié)束后，雙擊示波器模塊就能夠查察仿真結(jié)果，如圖6所示.對(duì)仿真結(jié)果和目標(biāo)樣本的值進(jìn)行比較，依據(jù)它們的差值繪出展望偏差變化曲線，如圖7所示.圖5河流水質(zhì)微分方程仿真模塊圖6目標(biāo)和展望結(jié)果圖結(jié)果與議論比較圖6、圖7知，本文成立的網(wǎng)絡(luò)系統(tǒng)對(duì)水質(zhì)參數(shù)耗氧量的展望圖像和目標(biāo)樣本基本一致.把仿真展望結(jié)果數(shù)據(jù)和實(shí)質(zhì)目標(biāo)樣本數(shù)據(jù)進(jìn)行比較，正、負(fù)最大偏差分別為0

22、.11和0.06，最小偏差為0，固然還有偏差，但偏差是在滿意的范圍以內(nèi).所以，把河流水質(zhì)的數(shù)學(xué)模型用MATLAB神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真展望，擁有較高的精度，為河流水質(zhì)展望供給了方便的方法.出色文檔適用標(biāo)準(zhǔn)文案圖7展望偏差的曲線變化出色文檔適用標(biāo)準(zhǔn)文案利用NNToolbox架構(gòu)神經(jīng)網(wǎng)絡(luò)主要采納以下兩種方法:(1)使用網(wǎng)絡(luò)數(shù)據(jù)管理器(NetworkDataManager)。詳細(xì)操作為:在LaunchPad窗體中點(diǎn)擊NeuralNetworkToolbox目錄下的。nntool文件,即在計(jì)算機(jī)屏幕中央出現(xiàn)NetworkDataManager窗體;點(diǎn)擊窗體中NewNetwork按鈕,依據(jù)提示設(shè)定網(wǎng)絡(luò)種類、網(wǎng)

23、絡(luò)構(gòu)造、網(wǎng)絡(luò)算法和網(wǎng)絡(luò)激活函數(shù)即可生成用戶定義的神經(jīng)網(wǎng)絡(luò);點(diǎn)擊View按鈕可顯示該神經(jīng)網(wǎng)絡(luò)的構(gòu)造圖;點(diǎn)擊initialize、simu-late、train和adapt按鈕并設(shè)定參數(shù)可對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行初始化、模擬、訓(xùn)練和仿真;最后點(diǎn)擊Export按鈕可將網(wǎng)絡(luò)模擬、訓(xùn)練和仿真的結(jié)果以文件的形式導(dǎo)出。該方法操作簡(jiǎn)略,無(wú)需編寫(xiě)程序代碼,即可達(dá)成神經(jīng)網(wǎng)絡(luò)的建立、初始化、訓(xùn)練和仿真等主要工作。可是該方法不可以和MATLAB其余程序動(dòng)向鏈接,網(wǎng)絡(luò)仿真結(jié)果只好以數(shù)據(jù)文件的形式導(dǎo)出,不可以可視化顯示。編寫(xiě)MATLAB應(yīng)用程序,即運(yùn)用MATLAB語(yǔ)言引用神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)編寫(xiě)程序代碼并保留為M文件,而后運(yùn)轉(zhuǎn)該文件

24、。該種方法能夠依據(jù)研究人員的需要,調(diào)用MATLAB豐富的內(nèi)部函數(shù),并能和各種數(shù)據(jù)庫(kù)及其余應(yīng)用程序(包含C、FOR-TRAN程序)動(dòng)向鏈接,使神經(jīng)網(wǎng)絡(luò)功能更加強(qiáng)盛。本研究即采用該種方法,此中引用的重要算法、函數(shù)及參數(shù)將在第2、3節(jié)詳述。出色文檔適用標(biāo)準(zhǔn)文案中國(guó)將來(lái)幾年人口總量的展望本文對(duì)所使用的序列數(shù)據(jù)進(jìn)行（，）模型維數(shù)優(yōu)化時(shí)獲得最正確的維數(shù)是58維不等，均屬于短序列展望，只適合短期的人口總量的展望，所以對(duì)GM112008-2012年共5個(gè)時(shí)間序列點(diǎn)的中國(guó)人口總量進(jìn)行展望，結(jié)果如表2所示。表2灰色人工神經(jīng)網(wǎng)絡(luò)（）模型對(duì)年中國(guó)人口總量展望的結(jié)果GANN2008-2012萬(wàn)人年份總?cè)丝?008200

25、9201020112012出色文檔適用標(biāo)準(zhǔn)文案成立BP神經(jīng)網(wǎng)絡(luò)展望模型在進(jìn)行BP網(wǎng)絡(luò)展望模型設(shè)計(jì)時(shí),主要考慮網(wǎng)絡(luò)的層數(shù)和每層中神經(jīng)元的個(gè)數(shù)。神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)計(jì)算機(jī)程序?qū)崿F(xiàn)對(duì)非線性映照迫近,在眾多語(yǔ)言中,MATLAB語(yǔ)言同意數(shù)學(xué)形式的語(yǔ)言編寫(xiě)程序,比其余語(yǔ)言更靠近我們書(shū)寫(xiě)計(jì)算公式的思想方式。所以編程效率高,易學(xué)易懂。年份人口總數(shù)（萬(wàn)人）198510585119861075071987109300198811102619891127041990114333出色文檔適用標(biāo)準(zhǔn)文案1991115823199912578620001267431992117171200112762719931185172002

26、128453199411985020031292271995121121200412998819961223892005130756199712362619981247613采納單隱層的BP網(wǎng)絡(luò)進(jìn)行展望。成立兩層神經(jīng)網(wǎng)絡(luò)，因?yàn)檩斎霕颖緸?維的輸入向量，所以，輸入層一共有3個(gè)神經(jīng)元，依據(jù)Kolmogorov2定理，網(wǎng)絡(luò)應(yīng)當(dāng)為373的構(gòu)造。此中，threshold設(shè)定了網(wǎng)絡(luò)輸入向量的取值范圍0,1，第一層神經(jīng)元數(shù)為3,傳函種類為L(zhǎng)OGSIG,第二層神經(jīng)元數(shù)為7,傳函種類為PURELIN,采納動(dòng)量梯度降落反向流傳算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。中間層的神經(jīng)元個(gè)數(shù)是很難確立的，而這又在很大程度上影響著網(wǎng)絡(luò)的展望性

27、能。當(dāng)網(wǎng)絡(luò)的展望偏差最小時(shí)，網(wǎng)絡(luò)中間層的神經(jīng)元數(shù)量就是最正確值。進(jìn)行對(duì)照后，可見(jiàn)中間層神經(jīng)元個(gè)數(shù)為8時(shí)，網(wǎng)絡(luò)的展望性能最好。訓(xùn)練結(jié)果如圖所示，網(wǎng)絡(luò)的預(yù)告偏差如100.035GeuBkgcnanBalraTo0.0250.020.0150.010.0050-0.005050100150-0.011.21.41.61.822.21155Epochs2.42.62.83出色文檔適用標(biāo)準(zhǔn)文案圖1訓(xùn)練結(jié)果（中間層神經(jīng)元數(shù)量：8）圖2網(wǎng)絡(luò)的預(yù)告偏差（中間層神經(jīng)元數(shù)量：8）年份總?cè)丝跀?shù)（萬(wàn)人）2006140800200714250020081466002009151000出色文檔適用標(biāo)準(zhǔn)文案20101558

28、002011159600201216210020131633002014163800201516400020161641002017164100201816410020191641002020164100，每行語(yǔ)句前都有一個(gè)符號(hào)“”，此即命令提示符。在此符號(hào)后(也只好在此符號(hào)后)輸入各樣語(yǔ)句并按Enter鍵，方可被MATLAB接收和履行。履行的結(jié)果往常就直接顯示在語(yǔ)句下方，如圖1.2所示。不一樣種類語(yǔ)句用不一樣顏色劃分。在默認(rèn)狀況下，輸入的命令、函數(shù)、表達(dá)式以及計(jì)算結(jié)果等采納黑色字體，字符串采納赭紅色，if、for等重點(diǎn)詞采納藍(lán)色，說(shuō)明語(yǔ)句用綠色。因?yàn)镸ATLAB是一個(gè)多功能集成軟件，不一樣的

29、功能需要使用不一樣的文件格式去表現(xiàn)，所以MATLAB的文件也有多種格式。最基本的是M文件、數(shù)據(jù)文件和圖形文件，除此以外，還有MEX文件、模型文件和仿真文件等。下邊分別予以說(shuō)明。M文件，以.m為擴(kuò)展名，所以稱為M文件。M文件是由一系列MATLAB語(yǔ)句構(gòu)成的文件，包含命令文件和函數(shù)文件兩類，命令文件近似于其余高級(jí)語(yǔ)言中的主程序或主函數(shù)，而函數(shù)文件則近似于子程序或被調(diào)函數(shù)。MATLAB眾多工具箱中的(函數(shù))文件基本上是M函數(shù)文件。因?yàn)樗鼈兪怯葾SCII碼表示的文件，所以可由任一文字辦理軟件編寫(xiě)后以文本格式寄存。數(shù)據(jù)文件，以.mat為擴(kuò)展名，所以又稱MAT文件。在議論工作空間窗口時(shí)已經(jīng)涉及到MAT文件

30、。明顯，數(shù)據(jù)文件保留了MATLAB工作空間窗口中變量的數(shù)據(jù)。(3)圖形文件，以.fig為擴(kuò)展名。主要由MATLAB的畫(huà)圖命令產(chǎn)生，自然也可用File菜單中的New命令成立。(4)MEX文件，以.mex或.dll為擴(kuò)展名，所以稱MEX文件。MEX實(shí)質(zhì)是由MATLABExecutable縮寫(xiě)而成的，因而可知，MEX文件是MATLAB的可履行文件。(5)模型和仿真文件，模型文件以.mdl為擴(kuò)展名，由Simulink仿真工具箱在成立各樣仿真模型時(shí)產(chǎn)生。仿真文件以.s為擴(kuò)展名。出色文檔適用標(biāo)準(zhǔn)文案鍵盤(pán)輸入語(yǔ)句(input)其調(diào)用格式有(1)x=input(prompt)：顯示提示字符串prompt，要求

31、用戶鍵盤(pán)輸入x的值。(2)x=input(prompt,s)：顯示提示字符串prompt，要求用戶鍵盤(pán)輸入字符型變量x的值，不至于將輸入的數(shù)字當(dāng)作是數(shù)值型數(shù)據(jù)。屏幕輸出語(yǔ)句(disp)屏幕輸出最簡(jiǎn)單的方法是直接寫(xiě)出欲輸出的變量或數(shù)組名，后邊不加分號(hào)。別的，能夠采納disp語(yǔ)句，其調(diào)用格式為disp(x)。M數(shù)據(jù)文件的儲(chǔ)存/加載(save/load)1.save語(yǔ)句其調(diào)用格式有save：將所有工作空間變量?jī)?chǔ)存在名為MATLAB.mat的文件中。(2)savefilename：將所有工作空間變量?jī)?chǔ)存在名為filename的文件中。(3)savefilenameXYZ：將工作空間的指定變量X、Y、Z存于名為filename的文件中。2.load語(yǔ)句其調(diào)用格式有(1)load：假如MATLAB.mat文件存在，則加載MATLAB.mat文件中儲(chǔ)存的所有變量到工作空間；不然返回一錯(cuò)誤信息。(2)loadf