《BP神经网络MATLAB编程代码》由会员分享，可在线阅读，更多相关《BP神经网络MATLAB编程代码（9页珍藏版）》请在金锄头文库上搜索。
1、文档供参考，可复制、编制，期待您的好评与关注！ BP神经网络的设计MATLAB编程例1 采用动量梯度下降算法训练 BP 网络。训练样本定义如下：输入矢量为p =-1 -2 3 1-1 1 5 -3目标矢量为 t = -1 -1 1 1解：本例的 MATLAB 程序如下：close allclearecho onclc% NEWFF生成一个新的前向神经网络% TRAIN对 BP 神经网络进行训练% SIM对 BP 神经网络进行仿真pause% 敲任意键开始clc% 定义训练样本% P 为输入矢量P=-1, -2, 3, 1; -1, 1, 5, -3;% T 为目标矢量T=-1, -1, 1,
2、1;pause;clc% 创建一个新的前向神经网络net=newff(minmax(P),3,1,tansig,purelin,traingdm)% 当前输入层权值和阈值inputWeights=net.IW1,1inputbias=net.b1% 当前网络层权值和阈值layerWeights=net.LW2,1layerbias=net.b2pauseclc% 设置训练参数net.trainParam.show = 50;net.trainParam.lr = 0.05;net.trainParam.mc = 0.9;bpnet=newff(pr,12 4,logsig, logsig, t
3、raingdx, learngdm);%建立BP神经网络， 12个隐层神经元，4个输出神经元%tranferFcn属性 logsig 隐层采用Sigmoid传输函数%tranferFcn属性 logsig 输出层采用Sigmoid传输函数%trainFcn属性 traingdx 自适应调整学习速率附加动量因子梯度下降反向传播算法训练函数%learn属性 learngdm 附加动量因子的梯度下降学习函数 net.trainParam.epochs=1000;%允许最大训练步数2000步net.trainParam.goal=0.001; %训练目标最小误差0.001net.trainParam.
4、show=10; %每间隔100步显示一次训练结果net.trainParam.lr=0.05; %学习速率0.05net.trainParam.epochs = 1000;net.trainParam.goal = 1e-3;pauseclc% 调用 TRAINGDM 算法训练 BP 网络net,tr=train(net,P,T);pauseclc% 对 BP 网络进行仿真A = sim(net,P)% 计算仿真误差E = T - AMSE=mse(E)pauseclcecho off例2 采用贝叶斯正则化算法提高 BP 网络的推广能力。在本例中，我们采用两种训练方法，即 L-M 优化算法（
5、trainlm）和贝叶斯正则化算法（trainbr），用以训练 BP 网络，使其能够拟合某一附加有白噪声的正弦样本数据。其中，样本数据可以采用如下MATLAB 语句生成：输入矢量：P = -1:0.05:1；目标矢量：randn(seed,78341223)；T = sin(2*pi*P)+0.1*randn(size(P)；解：本例的 MATLAB 程序如下：close allclearecho onclc% NEWFF生成一个新的前向神经网络% TRAIN对 BP 神经网络进行训练% SIM对 BP 神经网络进行仿真pause% 敲任意键开始clc% 定义训练样本矢量% P 为输入矢量P
6、= -1:0.05:1;% T 为目标矢量randn(seed,78341223); T = sin(2*pi*P)+0.1*randn(size(P);% 绘制样本数据点plot(P,T,+);echo offhold on;plot(P,sin(2*pi*P),:);% 绘制不含噪声的正弦曲线echo onclcpauseclc% 创建一个新的前向神经网络net=newff(minmax(P),20,1,tansig,purelin);pauseclcecho offclcdisp(1. L-M 优化算法 TRAINLM); disp(2. 贝叶斯正则化算法 TRAINBR);choice
7、=input(请选择训练算法(1,2):);figure(gcf);if(choice=1)echo onclc% 采用 L-M 优化算法 TRAINLMnet.trainFcn=trainlm;pauseclc% 设置训练参数net.trainParam.epochs = 500;net.trainParam.goal = 1e-6;net=init(net);% 重新初始化pauseclcelseif(choice=2)echo onclc% 采用贝叶斯正则化算法 TRAINBRnet.trainFcn=trainbr;pauseclc% 设置训练参数net.trainParam.epoc
8、hs = 500;randn(seed,192736547);net = init(net);% 重新初始化pauseclcend% 调用相应算法训练 BP 网络net,tr=train(net,P,T);pauseclc% 对 BP 网络进行仿真A = sim(net,P);% 计算仿真误差E = T - A;MSE=mse(E)pauseclc% 绘制匹配结果曲线close all;plot(P,A,P,T,+,P,sin(2*pi*P),:);pause;clcecho off通过采用两种不同的训练算法，我们可以得到如图 1和图 2所示的两种拟合结果。图中的实线表示拟合曲线，虚线代表不含
9、白噪声的正弦曲线，“”点为含有白噪声的正弦样本数据点。显然，经 trainlm 函数训练后的神经网络对样本数据点实现了“过度匹配”，而经 trainbr 函数训练的神经网络对噪声不敏感，具有较好的推广能力。值得指出的是，在利用 trainbr 函数训练 BP 网络时，若训练结果收敛，通常会给出提示信息“Maximum MU reached”。此外，用户还可以根据 SSE 和 SSW 的大小变化情况来判断训练是否收敛：当 SSE 和 SSW 的值在经过若干步迭代后处于恒值时，则通常说明网络训练收敛，此时可以停止训练。观察trainbr 函数训练 BP 网络的误差变化曲线,可见，当训练迭代至 32
10、0 步时，网络训练收敛，此时 SSE 和 SSW 均为恒值，当前有效网络的参数（有效权值和阈值）个数为 11.7973。例3 采用“提前停止”方法提高 BP 网络的推广能力。对于和例 2相同的问题，在本例中我们将采用训练函数 traingdx 和“提前停止”相结合的方法来训练 BP 网络，以提高 BP 网络的推广能力。解：在利用“提前停止”方法时，首先应分别定义训练样本、验证样本或测试样本，其中，验证样本是必不可少的。在本例中，我们只定义并使用验证样本，即有验证样本输入矢量：val.P = -0.975:.05:0.975验证样本目标矢量：val.T = sin(2*pi*val.P)+0.1
11、*randn(size(val.P)值得注意的是，尽管“提前停止”方法可以和任何一种 BP 网络训练函数一起使用，但是不适合同训练速度过快的算法联合使用，比如 trainlm 函数，所以本例中我们采用训练速度相对较慢的变学习速率算法 traingdx 函数作为训练函数。本例的 MATLAB 程序如下：close allclearecho onclc% NEWFF生成一个新的前向神经网络% TRAIN对 BP 神经网络进行训练% SIM对 BP 神经网络进行仿真pause% 敲任意键开始clc% 定义训练样本矢量% P 为输入矢量P = -1:0.05:1;% T 为目标矢量randn(seed
12、,78341223);T = sin(2*pi*P)+0.1*randn(size(P);% 绘制训练样本数据点plot(P,T,+);echo offhold on;plot(P,sin(2*pi*P),:); % 绘制不含噪声的正弦曲线echo onclcpauseclc% 定义验证样本val.P = -0.975:0.05:0.975; % 验证样本的输入矢量val.T = sin(2*pi*val.P)+0.1*randn(size(val.P); % 验证样本的目标矢量pauseclc% 创建一个新的前向神经网络net=newff(minmax(P),5,1,tansig,purel
13、in,traingdx);pauseclc% 设置训练参数net.trainParam.epochs = 500;net = init(net);pauseclc% 训练 BP 网络net,tr=train(net,P,T,val);pauseclc% 对 BP 网络进行仿真A = sim(net,P);% 计算仿真误差E = T - A;MSE=mse(E)pauseclc% 绘制仿真拟合结果曲线close all;plot(P,A,P,T,+,P,sin(2*pi*P),:);pause;clcecho off下面给出了网络的某次训练结果，可见，当训练至第 136 步时，训练提前停止，此时
14、的网络误差为 0.0102565。给出了训练后的仿真数据拟合曲线，效果是相当满意的。net,tr=train(net,P,T,val);TRAINGDX, Epoch 0/500, MSE 0.504647/0, Gradient 2.1201/1e-006TRAINGDX, Epoch 25/500, MSE 0.163593/0, Gradient 0.384793/1e-006TRAINGDX, Epoch 50/500, MSE 0.130259/0, Gradient 0.158209/1e-006TRAINGDX, Epoch 75/500, MSE 0.086869/0, Gradient 0.0883479/1e-006TRAINGDX, Epoch 100
