在MATLAB中BP神经网络表达式

在MATLAB中，我们可以如此构建一个神经网络 

%使用用输入输出数据（inputData、outputData）建立网络，
%隐节点个数设为3.其中隐层、输出层的传递函数分别为tansig和purelin，使用trainlm方法训练。
net =newff(inputData,outputData,3,{'tansig','purelin'},'trainlm');
%设置一些常用参数
net.trainparam.goal =0.00001; %训练目标：均方误差低于0.0001
net.trainparam.show =400;   %每训练400次展示一次结果
net.trainparam.epochs =15000;  %最大训练次数：15000.
net.divideFcn = '';
[net,tr] =train(net,inputData,outputData);%调用matlab神经网络工具箱自带的train函数训练网络

其中，隐藏层节点是3，我选取较简单的输入层节点为2，输出层节点是 1来构建网络。

训练好网络后，可用sim函数来运行Simulink模型，可通过输入预测输出，例如：

input=[4000;20]
simout =sim(net,input); %调用matlab神经网络工具箱自带的sim函数得到网络的预测值

当然，input可以是多组数据组成的矩阵，也可以是一组数据组成的向量，如此便可得到预测值。

有的时候，我们需要提取已训练好的神经网络，我们可以把它的权值，阈值导出，如下代码，可提取出权值阈值的值。

w12 = net.iw{1,1} %第1层（输入层）到第2层（隐层）的权值
b2 = net.b{1}    %第2层（隐层）的阈值
w23 = net.lw{2,1} %第2层（输入层）到第3层（输出层）的权值
b3 = net.b{2}    %第3层（输出层）的阈值

结果如下：

得到权值与阈值的值后，我们要代入表达式中，

由于之前构建网络选用的激活函数是tandig ，purelin，预测结果的数学表达式如下：

代表这个权值是第2层的第1个节点到第3层的第1个节点的权值。

在MATLAB中，我将上式整理为如下形式：

simy=purelin(w23*tansig(w12*[a;b]+b2)+b3)

其中a,b是输入的两个数。

w23 ,w12 ,b2,b3为上边提取的权值阈值矩阵。

因为版本问题，newff函数有不同的用法，区别如下：

net =newff(inputData,outputData,3,{'tansig','purelin'},'trainlm');% 新
net =newff(minmax(inputData),[3 1],{'tansig','purelin'},'trainlm'); %旧

上边两种用法，新用法自带归一化，构建网络时，自动根据输入输出归一化了，旧用法需要手动归一化。

因为新版本自带归一化，新版本网络中的权值和阈值都是对于归一化后的数据，因此，在运用神经网络数学表达式时，需要在之前把输入归一化，在之后把输出反归一化。

归一化方法为
y=(ymax-ymin)*(x-xmin)/(xmax-xmin)+ymin

y是归一化后数据，x是归一化前数据，反归一化公式为：

x=(y-ymin)*(xmax-xmin)/(ymax-ymin)+xmin

因为神经网络选择的是归一化到（-1,1），所以，ymin=-1.ymax=1,输入和输出都是如此。

可写成如下，便可得到数学表达式用输入预测输出，结果与sim函数一致。

a=2*(a-amin)/(amax-amin)-1;
b=2*(b-bmin)/(bmax-bmin)-1;
simy=purelin(w23*tansig(w12*[a;b]+b2)+b3)
simy=(simy+1)*(simymax-simymin)/2+simymin

为何要提取表达式呢，有的时候，在MATLAB上很方便的训练好网络后，可直接利用训练好的权值阈值在其他工具上使用。