用matlab編BP神經(jīng)網(wǎng)絡預測程序

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

2、進行仿真A=sim(net_1,P);計算仿真偏差E=T-A;MSE=mse(E)x=。;%測試sim(net_1,x)%不行能啊我200928出色文檔適用標準文案對初學神經(jīng)網(wǎng)絡者的小提示第二步：掌握以下算法:最小均方偏差,這個原理是下邊提到的神經(jīng)網(wǎng)絡學習算法的理論核心,入門者要先看高等數(shù)學（高等教育第一版社，同濟大學版）第8章的第十節(jié)：“最小二乘法”。在第2步的基礎上看Hebb學習算法、SOM和K-近鄰算法，上述算法都是在最小均方偏差基礎上的改良算法，參照書本是神經(jīng)網(wǎng)絡原理（機械工業(yè)第一版社，SimonHaykin著，中英文都有）、人工神經(jīng)網(wǎng)絡與模擬進化計算（清華大學第一版社，閻平庸，張長水

3、著）、模式分類（機械工業(yè)第一版社，RichardO.Duda等著，中英文都有）、神經(jīng)網(wǎng)絡設計（機械工業(yè)第一版社，MartinT.Hargan等著，中英文都有）。4.ART(自適應諧振理論),該算法的最平常易懂的讀物就是神經(jīng)網(wǎng)絡設計（機械工業(yè)第一版社，MartinT.Hargan等著，中英文都有）的第15和16章。若看理論剖析較費力可直接編程實現(xiàn)一下節(jié)的ART1算法小節(jié)中的算法.4.BP算法,初學者若對偏差反傳的剖析過程理解費勁可先跳過理論剖析和證明的內(nèi)容,直接利用最后的學習規(guī)則編個小程序并測試,建議看機器學習(機械工業(yè)第一版社，TomM.Mitchell著，中英文都有）的第4章和神經(jīng)網(wǎng)絡設計（

4、機械工業(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Matlab實例（1）分類：Matlab實例采納Matlab工具箱函數(shù)成立神經(jīng)網(wǎng)絡，對一些基本的神經(jīng)網(wǎng)絡參數(shù)進行了說明，深入認識參照Matlab幫助文檔。例1采納動量梯度降落算法訓練BP網(wǎng)絡。訓練樣本定義以下：輸入矢量為p=-1-231%-115-3%目標矢量為t=-1-111closeallclearclc%出色文檔適用標準文案-NEWFF生成一個新的前向神經(jīng)網(wǎng)絡,函數(shù)格式：%net=newff(PR,S1S2.SNl,TF1TF2.TFNl,BTF,BLF,PF)takes,PR-Rx2matrixof

5、minandmaxvaluesforRinputelements（關于R維輸入，PR是一個Rx2的矩陣，每一行是相應輸入的界限值）Si-第i層的維數(shù)TFi-第i層的傳達函數(shù),default=tansigBTF-反向流傳網(wǎng)絡的訓練函數(shù),default=traingdxBLF-反向流傳網(wǎng)絡的權值/閾值學習函數(shù),default=learngdmPF-性能函數(shù),default=mse%-TRAIN對BP神經(jīng)網(wǎng)絡進行訓練，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P-網(wǎng)絡的輸入T-網(wǎng)絡的目標值,default=zerosPi-初始輸入延緩,defaul

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

7、,1,tansig,purelin,traingdm)-訓練函數(shù)：traingdm，功能：以動量BP算法修正神經(jīng)網(wǎng)絡的權值和閾值。它的有關特征包含：epochs：訓練的次數(shù)，默認：100goal：偏差性能目標值，默認：0lr：學習率，默認：0.01max_fail：確認樣本進行仿真時，最大的失敗次數(shù)，默認：5mc：動量因子，默認：0.9min_grad：最小梯度值，默認：1e-10show：顯示的間隔次數(shù)，默認：25time：訓練的最長時間，默認：inf%-目前輸入層權值和閾值inputWeights=net.IW1,1inputbias=net.b1目前網(wǎng)絡層權值和閾值layerWeight

8、s=net.LW2,1layerbias=net.b2設置網(wǎng)絡的訓練參數(shù)=50;=0.05;=0.9;=1000;=1e-3;調(diào)用TRAINGDM算法訓練BP網(wǎng)絡net,tr=train(net,P,T);對BP網(wǎng)絡進行仿真A=sim(net,P)計算仿真偏差E=T-AMSE=mse(E)echooff出色文檔適用標準文案figure;plot(1:4),T,-*,(1:4),A,-o)BP神經(jīng)網(wǎng)絡的原理及算法的基本步驟理論上已證明,一個3層的BP網(wǎng)絡能夠?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)絡的原理BP(BackPropagation)神經(jīng)網(wǎng)絡往常由擁有多個節(jié)點

9、的輸入層(inputlayer)、隱含層(hiddenlayer)和多個或一個輸出節(jié)點的輸出層(outputlayer)構(gòu)成,其學習過程分為信息的正向流傳過程和偏差的反向流傳過程兩個階段。外面輸入的信號經(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)入逆向流傳過程,將實質(zhì)值與網(wǎng)絡輸出之間的偏差沿原連結(jié)通路返回,經(jīng)過改正各層神經(jīng)元的連結(jié)權重,減少偏差,而后再轉(zhuǎn)入正向流傳過程,頻頻迭代,直到偏差小于給定的值表119812005年全國總?cè)丝冢▎挝唬喝f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年全國總?cè)丝冢▎挝?萬人）年份20012002200320042005人口127699128457129220129987130758年份20062007

11、200820092010人口131534132315133100133890134685模型展望的全國總?cè)丝?1981年至2016年)(單位：萬人)年份198119821983198419851991人口99266101308102967104600106203115172年份199219931994199520012002人口116550117895119205120480127403128436年份200320042005200620072008出色文檔適用標準文案人口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：萬人)年份20112012201320142015全國總?cè)丝?34668135478136325137185138036年份20162017201820192020全國總?cè)丝?388621396521404021411061

13、41760出色文檔適用標準文案2.1利用MatlabScript節(jié)點實現(xiàn)在此以對一個非線性函數(shù)的迫近作為例子來說明實現(xiàn)流程,此中輸入矢量p=-10.051;目標矢量t=sin(2*pi*p)+0.1randn(size(p)。利用Mat-labScript節(jié)點實現(xiàn)BP算法的過程以下:新建一個LabVIEWvi,在框圖程序中增添MatlabScript節(jié)點。在節(jié)點內(nèi)增添Matlab的動量BP算法實現(xiàn)代碼,并分別在節(jié)點左右側(cè)框分別增添對應的輸入/輸出參數(shù),如圖1所示。在vi的前面板增添相應的控件,設置輸入?yún)?shù),連結(jié)輸出控件。履行程序,結(jié)果如圖2、圖3所示。出色文檔適用標準文案下邊的代碼將重修我們從

14、前的網(wǎng)絡，而后用批辦理最速降落法訓練網(wǎng)絡。（注意用批辦理方式訓練的話所有的輸入要設置為矩陣方式）net=newff(-12;05,3,1,tansig,purelin,traingd);出色文檔適用標準文案=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來演示批辦理最速降落法的性能。帶動量的批辦理梯度降落法（TRAINGDM）出色文檔適用標準文案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)絡工具箱的GUI（圖形用戶界面）工具.神經(jīng)網(wǎng)絡工具箱的GUI工具主要包含：1）神經(jīng)網(wǎng)絡GUI工具主窗口；2）神經(jīng)網(wǎng)絡的成立窗口；3）網(wǎng)絡訓練對話框；4）自適應參數(shù)

18、設置對話框；5）權值顯示窗口.經(jīng)過神經(jīng)網(wǎng)絡工具箱的GUI工具按鈕出色文檔適用標準文案就能很方便地翻開所成立的神經(jīng)網(wǎng)絡的構(gòu)造圖進行觀察，也能夠看到一個訓練過程的偏差曲線變化圖.3.2神經(jīng)網(wǎng)絡工具箱解決問題的一般步驟1）對待解決的問題進行剖析，依據(jù)各樣網(wǎng)絡的特色采納適合的網(wǎng)絡模型；2）成立網(wǎng)絡；3）對網(wǎng)絡初始化；4）對網(wǎng)絡進行訓練；5）對網(wǎng)絡進行仿真檢驗；6）應用網(wǎng)絡解決問題.系統(tǒng)的展望仿真4.1使用神經(jīng)網(wǎng)絡GUI工具成立神經(jīng)網(wǎng)絡的輸入樣本和目標樣本1）在MATLAB命令窗口輸入nntool，翻開圖形用戶界面工具主窗口，如圖1所示.2）單擊NewData按鈕，翻開數(shù)據(jù)生成對話框.成立輸入樣本P，數(shù)

19、據(jù)的輸入和設置如圖2所示，單擊Create按鈕封閉對話框.3）依據(jù)上一步，輸入目標樣本T，數(shù)據(jù)種類選Targets.回到GUI工具的主窗口，單擊Export按鈕彈出導出對話框，選中變量P和T，而后單擊Export按鈕，把變量P和T導出到工作區(qū).這為仿真文件從工作空間調(diào)用導入數(shù)據(jù)做好了準備.4.2成立仿真模型文件進行展望運轉(zhuǎn)MATLAB軟件中的Simulink仿真環(huán)境，在神經(jīng)網(wǎng)絡模塊庫中調(diào)用神經(jīng)網(wǎng)絡展望控制模塊NNPredictiveController，用模塊封裝技術成立河流水質(zhì)數(shù)學方程模塊，連結(jié)信號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模塊中是目標樣本T的數(shù)據(jù)，能夠直接從工作區(qū)導入.雙擊神經(jīng)網(wǎng)絡展望控制模塊NNPredictiveController，彈出如圖4的窗口，此窗口用于設計模型展望控制器，輸入控制器變量空間N2和Nu、權值參數(shù)和控制最優(yōu)化參數(shù)的值.而后點擊PlantIdentification按鈕，翻開系統(tǒng)辨別窗口，從工作區(qū)導入輸入樣本P，出色文檔適用標準文案設置好其余參數(shù)后訓練網(wǎng)絡，單擊OK按鈕，將訓練好的神經(jīng)網(wǎng)絡模型導入到神經(jīng)網(wǎng)絡展望控制模塊中，在NNPredictiveController窗口中單擊OK按鈕，將控制器參數(shù)導入到NNPredictiveController模塊中.圖3predwq.

21、mdl仿真文件圖4神經(jīng)網(wǎng)絡展望控制模塊窗口系統(tǒng)模塊SystemModel是用模塊封裝技術封裝的河流水質(zhì)微分方程式（4）的仿真模塊，如圖所示.在predwqSimulink主窗口，仿真時間輸入100，再單擊Startsimulation命令按鈕開始仿真.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.對仿真結(jié)果和目標樣本的值進行比較，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)絡系統(tǒng)對水質(zhì)參數(shù)耗氧量的展望圖像和目標樣本基本一致.把仿真展望結(jié)果數(shù)據(jù)和實質(zhì)目標樣本數(shù)據(jù)進行比較，正、負最大偏差分別為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)學模型用MATLAB神經(jīng)網(wǎng)絡進行仿真展望，擁有較高的精度，為河流水質(zhì)展望供給了方便的方法.出色文檔適用標準文案圖7展望偏差的曲線變化出色文檔適用標準文案利用NNToolbox架構(gòu)神經(jīng)網(wǎng)絡主要采納以下兩種方法:(1)使用網(wǎng)絡數(shù)據(jù)管理器(NetworkDataManager)。詳細操作為:在LaunchPad窗體中點擊NeuralNetworkToolbox目錄下的。nntool文件,即在計算機屏幕中央出現(xiàn)NetworkDataManager窗體;點擊窗體中NewNetwork按鈕,依據(jù)提示設定網(wǎng)絡種類、網(wǎng)

23、絡構(gòu)造、網(wǎng)絡算法和網(wǎng)絡激活函數(shù)即可生成用戶定義的神經(jīng)網(wǎng)絡;點擊View按鈕可顯示該神經(jīng)網(wǎng)絡的構(gòu)造圖;點擊initialize、simu-late、train和adapt按鈕并設定參數(shù)可對神經(jīng)網(wǎng)絡進行初始化、模擬、訓練和仿真;最后點擊Export按鈕可將網(wǎng)絡模擬、訓練和仿真的結(jié)果以文件的形式導出。該方法操作簡略,無需編寫程序代碼,即可達成神經(jīng)網(wǎng)絡的建立、初始化、訓練和仿真等主要工作。可是該方法不可以和MATLAB其余程序動向鏈接,網(wǎng)絡仿真結(jié)果只好以數(shù)據(jù)文件的形式導出,不可以可視化顯示。編寫MATLAB應用程序,即運用MATLAB語言引用神經(jīng)網(wǎng)絡工具箱函數(shù)編寫程序代碼并保留為M文件,而后運轉(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)庫及其余應用程序(包含C、FOR-TRAN程序)動向鏈接,使神經(jīng)網(wǎng)絡功能更加強盛。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。出色文檔適用標準文案中國將來幾年人口總量的展望本文對所使用的序列數(shù)據(jù)進行（，）模型維數(shù)優(yōu)化時獲得最正確的維數(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GM112008-2012年共5個時間序列點的中國人口總量進行展望，結(jié)果如表2所示。表2灰色人工神經(jīng)網(wǎng)絡（）模型對年中國人口總量展望的結(jié)果GANN2008-2012萬人年份總?cè)丝?008200

25、9201020112012出色文檔適用標準文案成立BP神經(jīng)網(wǎng)絡展望模型在進行BP網(wǎng)絡展望模型設計時,主要考慮網(wǎng)絡的層數(shù)和每層中神經(jīng)元的個數(shù)。神經(jīng)網(wǎng)絡經(jīng)過計算機程序?qū)崿F(xiàn)對非線性映照迫近,在眾多語言中,MATLAB語言同意數(shù)學形式的語言編寫程序,比其余語言更靠近我們書寫計算公式的思想方式。所以編程效率高,易學易懂。年份人口總數(shù)（萬人）198510585119861075071987109300198811102619891127041990114333出色文檔適用標準文案1991115823199912578620001267431992117171200112762719931185172002

26、128453199411985020031292271995121121200412998819961223892005130756199712362619981247613采納單隱層的BP網(wǎng)絡進行展望。成立兩層神經(jīng)網(wǎng)絡，因為輸入樣本為3維的輸入向量，所以，輸入層一共有3個神經(jīng)元，依據(jù)Kolmogorov2定理，網(wǎng)絡應當為373的構(gòu)造。此中，threshold設定了網(wǎng)絡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LOGSIG,第二層神經(jīng)元數(shù)為7,傳函種類為PURELIN,采納動量梯度降落反向流傳算法對網(wǎng)絡進行訓練。中間層的神經(jīng)元個數(shù)是很難確立的，而這又在很大程度上影響著網(wǎng)絡的展望性

27、能。當網(wǎng)絡的展望偏差最小時，網(wǎng)絡中間層的神經(jīng)元數(shù)量就是最正確值。進行對照后，可見中間層神經(jīng)元個數(shù)為8時，網(wǎng)絡的展望性能最好。訓練結(jié)果如圖所示，網(wǎng)絡的預告偏差如100.035GeuBkgcnanBalraTo0.0250.020.0150.010.0050-0.005050100150-0.011.21.41.61.822.21155Epochs2.42.62.83出色文檔適用標準文案圖1訓練結(jié)果（中間層神經(jīng)元數(shù)量：8）圖2網(wǎng)絡的預告偏差（中間層神經(jīng)元數(shù)量：8）年份總?cè)丝跀?shù)（萬人）2006140800200714250020081466002009151000出色文檔適用標準文案20101558

28、002011159600201216210020131633002014163800201516400020161641002017164100201816410020191641002020164100，每行語句前都有一個符號“”，此即命令提示符。在此符號后(也只好在此符號后)輸入各樣語句并按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句下方，如圖1.2所示。不一樣種類語句用不一樣顏色劃分。在默認狀況下，輸入的命令、函數(shù)、表達式以及計算結(jié)果等采納黑色字體，字符串采納赭紅色，if、for等重點詞采納藍色，說明語句用綠色。因為MATLAB是一個多功能集成軟件，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。下邊分別予以說明。M文件，以.m為擴展名，所以稱為M文件。M文件是由一系列MATLAB語句構(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語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。因為它們是由ASCII碼表示的文件，所以可由任一文字辦理軟件編寫后以文本格式寄存。數(shù)據(jù)文件，以.mat為擴展名，所以又稱MAT文件。在議論工作空間窗口時已經(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為擴展名。主要由MATLAB的畫圖命令產(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為擴展名，所以稱MEX文件。MEX實質(zhì)是由MATLABExecutable縮寫而成的，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為擴展名，由Simulink仿真工具箱在成立各樣仿真模型時產(chǎn)生。仿真文件以.s為擴展名。出色文檔適用標準文案鍵盤輸入語句(input)其調(diào)用格式有(1)x=input(prompt)：顯示提示字符串prompt，要求

31、用戶鍵盤輸入x的值。(2)x=input(prompt,s)：顯示提示字符串prompt，要求用戶鍵盤輸入字符型變量x的值，不至于將輸入的數(shù)字當作是數(shù)值型數(shù)據(jù)。屏幕輸出語句(disp)屏幕輸出最簡單的方法是直接寫出欲輸出的變量或數(shù)組名，后邊不加分號。別的，能夠采納disp語句，其調(diào)用格式為disp(x)。M數(shù)據(jù)文件的儲存/加載(save/load)1.save語句其調(diào)用格式有save：將所有工作空間變量儲存在名為MATLAB.mat的文件中。(2)savefilename：將所有工作空間變量儲存在名為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文件中儲存的所有變量到工作空間；不然返回一錯誤信息。(2)loadf