BP系统建模Word下载.docx

BP系统建模Word下载.docx

《BP系统建模Word下载.docx》由会员分享，可在线阅读，更多相关《BP系统建模Word下载.docx（12页珍藏版）》请在冰豆网上搜索。

E0=0.01初始权值和阈值选取：

（-0.10.1）

functionmain（）;

clearall;

closeall;

samnum=101;

%用101个数据对来训练神经网络

testsamum=101;

%用另外101个数据对来验证神经网络的学习效果

hiddenunitnum=10;

%隐单元数目定义为10

indim=1;

%输入层神经元数目定义为1

outdim=1;

%输出层神经元数目定义为1

rand（'

state'

sum（100*clock））;

%设置随机数产生的模式

samin=8*rand（1,samnum）-4;

%设置输入为（-4，4）

samout=samin.*sin（samin）+4*exp（-samin.^2）+0.1*samin;

%计算相应的输出

testsamin=-4:

0.08:

4;

%生成用于检验的数据

testsamout=testsamin.*sin（testsamin）+4*exp（-testsamin.^2）+0.1*testsamin;

maxepochs=10000;

%最大的迭代次数

lr=0.005;

%学习步长

E0=0.01;

%结束迭代的另一个条件，总误差

w1=0.2*rand（hiddenunitnum,indim）-0.1;

%初始权值和阈值选取为（-0.1，0.1）

b1=0.2*rand（hiddenunitnum,1）-0.1;

w2=0.2*rand（outdim,hiddenunitnum）-0.1;

b2=0.2*rand（outdim,1）-0.1;

w1ex=[w1b1];

w2ex=[w2b2];

saminex=[samin'

ones（samnum,1）]'

;

errorhistory=[];

fori=1:

maxepochs

hiddenout=logsig（w1ex*saminex）;

%前向计算（输入层至隐层，采用S函数

hiddenoutex=[hiddenout'

networkout=w2ex*hiddenoutex;

%计算系统输出

error=samout-networkout;

%计算网络输出与期望输出误差

SSE=sumsqr（error）;

%计算二次总误差

errorhistory=[errorhistorySSE];

ifSSE<

E0,break,end;

%如果误差达到要求，跳出循环迭代

delta2=error;

delta1=w2'

*delta2.*hiddenout.*（1-hiddenout）;

%根据权值修改公式，计算权值

%修改量

dw2ex=delta2*hiddenoutex'

dw1ex=delta1*saminex'

w1ex=w1ex+lr*dw1ex;

%修改权值

w2ex=w2ex+lr*dw2ex;

w2=w2ex（:

1:

hiddenunitnum）;

end;

testinex=[testsamin'

ones（testsamum,1）]'

testhiddenout=logsig（w1ex*testinex）;

%应用测试数据测试

testhiddenoutex=[testhiddenout'

%神经网络的泛化能力

testnnout=w2ex*testhiddenoutex;

figure

holdon

grid

plot（testsamin,testsamout,'

r+'

）;

%输出测试曲线

plot（testsamin,testnnout,'

k-'

figure%输出结果学习误差曲线

[xx,num]=size（errorhistory）;

plot（1:

num,errorhistory,'

r-'

一．初始权值和学习步长不变，隐层神经元个数改变。

若w1=0.2*rand（hiddenunitnum,indim）-0.1;

b1=0.2*rand（hiddenunitnum,1）-0.1;

w2=0.2*rand（outdim,hiddenunitnum）-0.1;

b2=0.2*rand（outdim,1）-0.1;

（1）隐层神经元个数hiddenunitnum=5

仿真结果如下：

（2）隐层神经元个数hiddenunitnum=20

二、隐层神经元个数和学习步长不变，初始权值改变

（1）初始权值如下：

w1=0.8*rand（hiddenunitnum,indim）-0.4;

b1=0.8*rand（hiddenunitnum,1）-0.4;

w2=0.8*rand（outdim,hiddenunitnum）-0.4;

b2=0.8*rand（outdim,1）-0.4;

（2）、初始权值如下：

w1=0.1*rand（hiddenunitnum,indim）-0.05;

b1=0.1*rand（hiddenunitnum,1）-0.05;

w2=0.1*rand（outdim,hiddenunitnum）-0.05;

b2=0.1*rand（outdim,1）-0.05;

三．隐层神经元个数和初始权值不变，学习步长改变

（1）学习步长lr=0.01

（2）学习步长lr=0.008

（3）学习步长lr=0.003