BP神经网络的设计实例(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 all 
clear 
echo on 
clc 
% 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, 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.IW{1,1} 
inputbias=net.b{1} 
%  当前网络层权值和阈值 
layerWeights=net.LW{2,1} 
layerbias=net.b{2} 
pause 
clc 
%  设置训练参数 
net.trainParam.show = 50; 
net.trainParam.lr = 0.05; 
net.trainParam.mc = 0.9; 
net.trainParam.epochs = 1000; 
net.trainParam.goal = 1e-3; 
pause 
clc 
%  调用 TRAINGDM 算法训练 BP 网络 
[net,tr]=train(net,P,T); 
pause 
clc 
%  对 BP 网络进行仿真 
A = sim(net,P) 
%  计算仿真误差 
E = T - A 
MSE=mse(E) 
pause 
clc 
echo 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（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 all 
clear 
echo on 
clc 
% 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',78341223); T = sin(2*pi*P)+0.1*randn(size(P)); 
%  绘制样本数据点 
plot(P,T,'+'); 
echo off 
hold on; 
plot(P,sin(2*pi*P),':');        
%  绘制不含噪声的正弦曲线 
echo on 
clc 
pause 
clc 
%  创建一