BP神经网络matlab应用实例

题：采用贝叶斯正则化算法提高BP网络的推广能力。用来训练BP网络，使其能够拟合某一附加有白噪声的正弦样本数据。

解：仿真结果如下：
（1）构建一个3层BP神经网络，输入层节点数为1个，隐含层节点数为3个，隐含层的激活函数为‘transig’，输出层节点数为1个，输出层的激活函数为‘logsig’。
（2）采用贝叶斯正则化算法‘trainbr’训练神经网络，目标误差goal=1*10^-3，
学习率lr=0.05，最大迭代次数epochs=500，拟合附加有白噪声的样本数据，拟合数据均方差为0.0054.

源程序：

clear all; 
close all;
clc;
%% 定义训练样本矢量%%
P = [-1:0.05:1]; %输入矢量
T = sin(2*pi*P)+0.1*randn(size(P));%目标矢量
figure %绘制
plot(P,T,'+');
 hold on
plot(P,sin(2*pi*P),':')
net = newff(minmax(P),[20,1],20);
net.trainFcn = 'trainbr' ; %训练方法是贝叶斯函数
net.trainParam.show = 50; %显示中间结果的周期
net.trainParam.lr = 0.05; %学习率0.05
net.trainParam.epochs = 500; %迭代次数500
net.trainParam.goal = 1e-3; %目标误差
[net,tr] = train(net,P,T)；%训练BP网络
A = sim(net,P)；%开始仿真
E = T-A; %误差
MSE=mse(E);,
plot(P,A,P,T,'+',P,sin(2*pi*P),':');
legend('样本点','标准正弦曲线','拟合正弦曲线')

最终结果