bp神经网络matlab代码实例_BP神经网络与matlab实例详解（一）

什么是BP神经网络

BP神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，是应用最广泛的神经网络。它的基本思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小。

BP神经网络由输入层、隐含层、输出层三大层组成，其中隐含层可以为一层或多层。隐含层内的神经元与外界没有直接的联系，但其状态的改变能影响输入和输出之间的关系。

如何应用BP神经网络进行预测

MATLAB中可以实现BP神经网络预测，只要通过输入输入层神经元，及设定隐含层层数、节点数及预测精度的控制要求就可以实现预测。它的原理实际上是分析输入神经元与输出神经元的非线性关系，这就要求输出项参数实际上是与输入项参数需要具有一定的关联性。

BP网络构建

(1)生成BP网络

PR：由R维的输入样本最小最大值构成的R*2维矩阵。

[S1S2...SN]：各层的神经元个数。

{TF1 TF2 ...TFN}：各层的神经元传递函数。

BTF：训练用函数的名称。

(2)网络训练

(3)网络仿真

BP网络的训练函数

BP网络训练参数

BP网络举例

举例1

双输入单输出五组样本 网络结构是2-5-1

%traingd

clear;

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');

net.trainParam.show=50;%

net.trainParam.lr=0.05;

net.trainParam.epochs=300;

net.trainParam.goal=1e-5;

[net,tr]=train(net,P,T);

net.iw{1,1}%隐层权值

net.b{1}%隐层阈值

net.lw{2,1}%输出层权值

net.b{2}%输出层阈值

sim(net,P)%网络输出

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：

解：

看到期望输出的范围是(-1.1)，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=[-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; %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.iw{1,1}%输入层到中间层权值

theta1 = net.b{1}%中间层各神经元阈值

W = net.lw{2,1}%中间层到输出层权值

theta2 = net.b{2}%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：

权值直接确定法：

format long

clc;

clear;

xi=-1:0.1:1;xi=xi';

yi=[-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];

numSMP=length(yi);     %样本个数

numW=25;               %隐层神经元个数

xiM=[];

for jj=0:1:(numW-1)

 xiM=[xiM,xi.^jj];   %

end

W=pinv(xiM)*yi';         %隐层最优权值

figure;

plot(xi,yi,'k*',xi,xiM*W,'r:')

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：

解：

看到期望输出的范围超出(-1,1)，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.iw{1,1}%输入层到中间层权值

theta1 = net.b{1}%中间层各神经元阈值

W = net.lw{2,1}%中间层到输出层权值

theta2 = net.b{2}%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：

•  END  •

模友们可能已经发现：现在公众号推送文章的顺序，已经不会按时间排列了。这种变化，可能会让各位模友错过我们每天的推送。

所以，如果你还想像往常一样，聚焦数模乐园，就需要将“数模乐园”标为星标公众号，同时在阅读完文章后，别忘了给一个“在看”哦。

星标步骤

(1)点击页面最上方“数模乐园”，进入公众号主页

(2)点击右上角的小点点，在弹出页面点击“设为星标”，就可以啦。

扫码关注我们

2020夏令营QQ交流群

球分享

球点赞

球在看