bp 预测 matlab代码,求matlab中bp神经网络预测源代码

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

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

%  创建一个新的前向神经网络

net=newff(minmax(P),[20,1],{'tansig','purelin'});

pause

clc

echo off

clc

disp('1.  L-M 优化算法 TRAINLM'); disp('2.  贝叶斯正则化算法 TRAINBR');

choice=input('请选择训练算法(1,2):');

figure(gcf);

if(choice==1)

echo on

clc

%  采用 L-M 优化算法 TRAINLM

net.trainFcn='trainlm';

pause

clc

%  设置训练参数

net.trainParam.epochs = 500;

net.trainParam.goal = 1e-6;

net=init(net);

%  重新初始化

pause

clc

elseif(choice==2)

echo on

clc

%  采用贝叶斯正则化算法 TRAINBR

net.trainFcn='trainbr';

pause

clc

%  设置训练参数

net.trainParam.epochs = 500;

randn('seed',192736547);

net = init(net);

%  重新初始化

pause

clc

end

%  调用相应算法训练 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

%  绘制匹配结果曲线

close all;

plot(P,A,P,T,'+',P,sin(2*pi*P),':');

pause;

clc

echo off