BP神經(jīng)網(wǎng)絡(luò)matlab實(shí)例(簡單而經(jīng)典)

BP神經(jīng)網(wǎng)絡(luò)matlab實(shí)例(簡單而經(jīng)典)BP神經(jīng)網(wǎng)絡(luò)matlab實(shí)例(簡單而經(jīng)典)BP神經(jīng)網(wǎng)絡(luò)matlab實(shí)例(簡單而經(jīng)典)xxx公司BP神經(jīng)網(wǎng)絡(luò)matlab實(shí)例(簡單而經(jīng)典)文件編號：文件日期：修訂次數(shù)：第1.0次更改批準(zhǔn)審核制定方案設(shè)計(jì)，管理制度p=p1';t=t1';[pn,minp,maxp,tn,mint,maxt]=premnmx(p,t);%原始數(shù)據(jù)歸一化net=newff(minmax(pn),[5,1],{'tansig','purelin'},'traingdx');%設(shè)置網(wǎng)絡(luò),建立相應(yīng)的BP網(wǎng)絡(luò)%訓(xùn)練網(wǎng)絡(luò),pn,tn);%調(diào)用TRAINGDM算法訓(xùn)練BP網(wǎng)絡(luò)pnew=pnew1';pnewn=tramnmx(pnew,minp,maxp);anewn=sim(net,pnewn);%對BP網(wǎng)絡(luò)進(jìn)行仿真anew=postmnmx(anewn,mint,maxt);%還原數(shù)據(jù)y=anew';1、BP網(wǎng)絡(luò)構(gòu)建（1）生成BP網(wǎng)絡(luò)：由維的輸入樣本最小最大值構(gòu)成的維矩陣。：各層的神經(jīng)元個數(shù)。：各層的神經(jīng)元傳遞函數(shù)。：訓(xùn)練用函數(shù)的名稱。（2）網(wǎng)絡(luò)訓(xùn)練（3）網(wǎng)絡(luò)仿真{'tansig','purelin'},'trainrp'BP網(wǎng)絡(luò)的訓(xùn)練函數(shù)訓(xùn)練方法訓(xùn)練函數(shù)梯度下降法traingd有動量的梯度下降法traingdm自適應(yīng)lr梯度下降法traingda自適應(yīng)lr動量梯度下降法traingdx彈性梯度下降法trainrpFletcher-Reeves共軛梯度法traincgfPloak-Ribiere共軛梯度法traincgpPowell-Beale共軛梯度法traincgb量化共軛梯度法trainscg擬牛頓算法trainbfg一步正割算法trainossLevenberg-MarquardttrainlmBP網(wǎng)絡(luò)訓(xùn)練參數(shù)訓(xùn)練參數(shù)參數(shù)介紹訓(xùn)練函數(shù)最大訓(xùn)練次數(shù)（缺省為10）traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm訓(xùn)練要求精度（缺省為0）traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm學(xué)習(xí)率（缺省為）traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm最大失敗次數(shù)（缺省為5）traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm最小梯度要求（缺省為1e-10）traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm顯示訓(xùn)練迭代過程（NaN表示不顯示，缺省為25）traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm最大訓(xùn)練時間（缺省為inf）traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm動量因子（缺?。﹖raingdm、traingdx學(xué)習(xí)率lr增長比（缺省為）traingda、traingdx學(xué)習(xí)率lr下降比（缺省為）traingda、traingdx表現(xiàn)函數(shù)增加最大比（缺省為）traingda、traingdx權(quán)值變化增加量（缺省為）trainrp權(quán)值變化減小量（缺省為）trainrp初始權(quán)值變化（缺省為）trainrp權(quán)值變化最大值（缺省為）trainrp一維線性搜索方法（缺省為srchcha）traincgf、traincgp、traincgb、trainbfg、trainoss因?yàn)槎吻髮?dǎo)對權(quán)值調(diào)整的影響參數(shù)（缺省值）trainscg矩陣不確定性調(diào)節(jié)參數(shù)（缺省為）trainscg控制計(jì)算機(jī)內(nèi)存/速度的參量，內(nèi)存較大設(shè)為1，否則設(shè)為2（缺省為1）trainlm的初始值（缺省為）trainlm的減小率（缺省為）trainlm的增長率（缺省為10）trainlm的最大值（缺省為1e10）trainlm2、BP網(wǎng)絡(luò)舉例舉例1、%traingdclear;clc;P=[-1-1224;05057];T=[-1-111-1];%利用minmax函數(shù)求輸入樣本范圍net=newff(minmax(P),T,[5,1],{'tansig','purelin'},'trainrp');隱層權(quán)值{1}%隱層閾值{2,1}%輸出層權(quán)值{2}%輸出層閾值sim(net,P)舉例2、利用三層BP神經(jīng)網(wǎng)絡(luò)來完成非線性函數(shù)的逼近任務(wù)，其中隱層神經(jīng)元個數(shù)為五個。樣本數(shù)據(jù)：輸入X輸出D輸入X輸出D輸入X輸出D0解：看到期望輸出的范圍是，所以利用雙極性Sigmoid函數(shù)作為轉(zhuǎn)移函數(shù)。程序如下：clear;clc;X=-1::1;D=[......];figure;plot(X,D,'*');%繪制原始數(shù)據(jù)分布圖（附錄：1-1）net=newff([-11],[51],{'tansig','tansig'});=1000;%訓(xùn)練的最大次數(shù)=;%全局最小誤差net=train(net,X,D);O=sim(net,X);figure;plot(X,D,'*',X,O);%繪制訓(xùn)練后得到的結(jié)果和誤差曲線（附錄：1-2、1-3）V={1,1};%輸入層到中間層權(quán)值theta1={1};%中間層各神經(jīng)元閾值W={2,1};%中間層到輸出層權(quán)值theta2={2};%輸出層各神經(jīng)元閾值所得結(jié)果如下：輸入層到中間層的權(quán)值：中間層各神經(jīng)元的閾值：中間層到輸出層的權(quán)值：輸出層各神經(jīng)元的閾值：舉例3、利用三層BP神經(jīng)網(wǎng)絡(luò)來完成非線性函數(shù)的逼近任務(wù)，其中隱層神經(jīng)元個數(shù)為五個。樣本數(shù)據(jù)：輸入X輸出D輸入X輸出D輸入X輸出D00448211539322621043371解：看到期望輸出的范圍超出，所以輸出層神經(jīng)元利用線性函數(shù)作為轉(zhuǎn)移函數(shù)。程序如下：clear;clc;X=[012345678910];D=[01234321234];figure;plot(X,D,'*');%繪制原始數(shù)據(jù)分布圖net=newff([010],[51],{'tansig','purelin'})=100;'*',X,O);%繪制訓(xùn)練后得到的結(jié)果和誤差曲線（附錄：2-2、2-3）V={1,1}%輸入層到中間層權(quán)值theta1={1}%中間層各神經(jīng)元閾值W={2,1}%中間層到輸出層權(quán)值theta2={2}%輸出層各神經(jīng)元閾值所得結(jié)果如下：輸入層到中間層的權(quán)值：中間層各神經(jīng)元的閾值：中間層到輸出層的權(quán)值：輸出層各神經(jīng)元的閾值：問題：以下是上證指數(shù)2009年2月2日到3月27日的收盤價格，構(gòu)建一個三層BP神經(jīng)網(wǎng)絡(luò)，利用該組信號的6個過去值預(yù)測信號的將來值。日期價格日期價格2009/02/022009/03/022009/02/032009/03/032009/02/042009/03/042009/02/052009/03/052009/02/062009/03/062009/02/092009/03/092009/02/102009/03/102009/02/112009/03/112009/02/122009/03/122009/02/132009/03/132009/02/162009/03/162009/02/172009/03/172009/02/182009/03/182009/02/192009/03/192009/02/202009/03/202009/02/232009/03/232009/02/242009/03/242009/02/252009/03/252009/02/262009/03/262009/02/272009/03/27load;[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('到杭旅游總?cè)藬?shù)','FontSize',12);xlabel('統(tǒng)計(jì)年份','FontSize',12);ylabel('歸一化后的總游客數(shù)/萬人','FontSize',12);gridon;%生成BP網(wǎng)絡(luò)、利用minmax函數(shù)求輸入樣本范圍net_1=newff(minmax(TS),[10,1],{'tansig','purelin'},'traincgf')%設(shè)置訓(xùn)練參數(shù)=50;%顯示訓(xùn)練迭代過程（NaN表示不顯示，缺