《神经网络算法BP网络的训练函数.doc》由会员分享，可在线阅读，更多相关《神经网络算法BP网络的训练函数.doc（5页珍藏版）》请在金锄头文库上搜索。
1、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trainrpFletcher-Reeves共轭梯度法traincgfPloak-Ribiere共轭梯度法traincgpPowell-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trainossLevenberg-MarquardttrainlmBP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）t
2、raingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlmnet.trainParam.goal训练要求精度（缺省为0）traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlmnet.trainParam.lr学习率（缺省为0.01）traingd、traingdm、traingda、traingd
3、x、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlmnet.trainParam.max_fail最大失败次数（缺省为5）traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlmnet.trainParam.min_grad最小梯度要求（缺省为1e-10）traingd、traingdm、traingda、traingdx、trainrp、traincgf
4、、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlmnet.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、trainlmnet.trainParam.time最大训练时间（缺省为inf）traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、trainc
5、gb、trainscg、trainbfg、trainoss、trainlmnet.trainParam.mc动量因子（缺省0.9）traingdm、traingdxnet.trainParam.lr_inc学习率lr增长比（缺省为1.05）traingda、traingdxnet.trainParam.lr_dec学习率lr下降比（缺省为0.7）traingda、traingdxnet.trainParam.max_perf_inc表现函数增加最大比（缺省为1.04）traingda、traingdxnet.trainParam.delt_inc权值变化增加量（缺省为1.2）trainrpne
6、t.trainParam.delt_dec权值变化减小量（缺省为0.5）trainrpnet.trainParam.delt0初始权值变化（缺省为0.07）trainrpnet.trainParam.deltamax权值变化最大值（缺省为50.0）trainrpnet.trainParam.searchFcn一维线性搜索方法（缺省为srchcha）traincgf、traincgp、traincgb、trainbfg、trainossnet.trainParam.sigma因为二次求导对权值调整的影响参数（缺省值5.0e-5）trainscgnet.trainParam.lambdaHessi
7、an矩阵不确定性调节参数（缺省为5.0e-7）trainscgnet.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）trainlmnet.trainParam.mu的初始值（缺省为0.001）trainlmnet.trainParam.mu_dec的减小率（缺省为0.1）trainlmnet.trainParam.mu_inc的增长率（缺省为10）trainlmnet.trainParam.mu_max的最大值（缺省为1e10）trainlm1、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。
8、：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2、BP网络举例举例1、%traingdclear;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);说明：minmax(P)：由2维p矩阵输入样本最小最大值构成的2*2维矩阵。5,1：各层的神经元个数。tansig,purelin：各层的神经元传递函数。trainrp：训练用函数的名称。net.trainParam.show=50;% 是多少个周期后显
9、示一下收敛曲线的变化net.trainParam.lr=0.05;%训练速度net.trainParam.epochs=300;% 迭代次数net.trainParam.goal=1e-5; %指的是你要给这个网络设定要达到的误差值是多少net,tr=train(net,P,T);net.iw1,1%隐层权值net.b1%隐层阈值net.lw2,1%输出层权值net.b2%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-1.0000-0.9602-0.30000.13360.4000
10、0.3072-0.9000-0.5770-0.2000-0.20130.50000.3960-0.8000-0.0729-0.1000-0.43440.60000.3449-0.70000.37710-0.50000.70000.1816-0.60000.64050.1000-0.39300.8000-0.3120-0.50000.66000.2000-0.16470.9000-0.2189-0.40000.46090.3000-0.09881.0000-0.3201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=
11、-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; %
12、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.iw1,1%输入层到中间层权值theta1 = net.b1%中间层各神经元阈值W = net.lw2,1%中间层到输出层权值theta2 = net.b2%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
13、入X输出D输入X输出D00448211539322621043371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.iw1,1%输入层到中间层权值theta1 = net.b1%中间层各神经元阈值W = net.lw2,1%中间层到输出层权值theta2 = net.b2%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：
