BP神经网络matlab实例简单而经典.docx
- 文档编号:9215146
- 上传时间:2023-02-03
- 格式:DOCX
- 页数:11
- 大小:52.03KB
BP神经网络matlab实例简单而经典.docx
《BP神经网络matlab实例简单而经典.docx》由会员分享,可在线阅读,更多相关《BP神经网络matlab实例简单而经典.docx(11页珍藏版)》请在冰豆网上搜索。
BP神经网络matlab实例简单而经典
p=p1';t=t1';
[pn,minp,maxp,tn,mint,maxt]=premnmx(p,t);%原始数据归一化
net=newff(minmax(pn),[5,1],{'tansig','purelin'},'traingdx');%设置网络,建立相应的BP网络
net.trainParam.show=2000;%训练网络
net.trainParam.lr=0.01;
net.trainParam.epochs=100000;
net.trainParam.goal=1e-5;
[net,tr]=train(net,pn,tn);%调用TRAINGDM算法训练BP网络
pnew=pnew1';
pnewn=tramnmx(pnew,minp,maxp);
anewn=sim(net,pnewn);%对BP网络进行仿真
anew=postmnmx(anewn,mint,maxt);%还原数据
y=anew';
1、BP网络构建
(1)生成BP网络
:
由
维的输入样本最小最大值构成的
维矩阵。
:
各层的神经元个数。
:
各层的神经元传递函数。
:
训练用函数的名称。
(2)网络训练
(3)网络仿真
{'tansig','purelin'},'trainrp'
BP网络的训练函数
训练方法
训练函数
梯度下降法
traingd
有动量的梯度下降法
traingdm
自适应lr梯度下降法
traingda
自适应lr动量梯度下降法
traingdx
弹性梯度下降法
trainrp
Fletcher-Reeves共轭梯度法
traincgf
Ploak-Ribiere共轭梯度法
traincgp
Powell-Beale共轭梯度法
traincgb
量化共轭梯度法
trainscg
拟牛顿算法
trainbfg
一步正割算法
trainoss
Levenberg-Marquardt
trainlm
BP网络训练参数
训练参数
参数介绍
训练函数
net.trainParam.epochs
最大训练次数(缺省为10)
traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm
net.trainParam.goal
训练要求精度(缺省为0)
traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm
net.trainParam.lr
学习率(缺省为0.01)
traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm
net.trainParam.max_fail
最大失败次数(缺省为5)
traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm
net.trainParam.min_grad
最小梯度要求(缺省为1e-10)
traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm
net.trainParam.show
显示训练迭代过程(NaN表示不显示,缺省为25)
traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm
net.trainParam.time
最大训练时间(缺省为inf)
traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm
net.trainParam.mc
动量因子(缺省0.9)
traingdm、traingdx
net.trainParam.lr_inc
学习率lr增长比(缺省为1.05)
traingda、traingdx
net.trainParam.lr_dec
学习率lr下降比(缺省为0.7)
traingda、traingdx
net.trainParam.max_perf_inc
表现函数增加最大比(缺省为1.04)
traingda、traingdx
net.trainParam.delt_inc
权值变化增加量(缺省为1.2)
trainrp
net.trainParam.delt_dec
权值变化减小量(缺省为0.5)
trainrp
net.trainParam.delt0
初始权值变化(缺省为0.07)
trainrp
net.trainParam.deltamax
权值变化最大值(缺省为50.0)
trainrp
net.trainParam.searchFcn
一维线性搜索方法(缺省为srchcha)
traincgf、traincgp、traincgb、trainbfg、trainoss
net.trainParam.sigma
因为二次求导对权值调整的影响参数(缺省值5.0e-5)
trainscg
net.trainParam.lambda
Hessian矩阵不确定性调节参数(缺省为5.0e-7)
trainscg
net.trainParam.men_reduc
控制计算机内存/速度的参量,内存较大设为1,否则设为2(缺省为1)
trainlm
net.trainParam.mu
的初始值(缺省为0.001)
trainlm
net.trainParam.mu_dec
的减小率(缺省为0.1)
trainlm
net.trainParam.mu_inc
的增长率(缺省为10)
trainlm
net.trainParam.mu_max
的最大值(缺省为1e10)
trainlm
2、BP网络举例
举例1、
%traingd
clear;
clc;
P=[-1-1224;05057];
T=[-1-111-1];
%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)
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:
输入X
输出D
输入X
输出D
输入X
输出D
-1.0000
-0.9602
-0.3000
0.1336
0.4000
0.3072
-0.9000
-0.5770
-0.2000
-0.2013
0.5000
0.3960
-0.8000
-0.0729
-0.1000
-0.4344
0.6000
0.3449
-0.7000
0.3771
0
-0.5000
0.7000
0.1816
-0.6000
0.6405
0.1000
-0.3930
0.8000
-0.3120
-0.5000
0.6600
0.2000
-0.1647
0.9000
-0.2189
-0.4000
0.4609
0.3000
-0.0988
1.0000
-0.3201
解:
看到期望输出的范围是
,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=[-0.9602-0.5770-0.07290.37710.64050.66000.4609...
0.1336-0.2013-0.4344-0.5000-0.3930-0.1647-.0988...
0.30720.39600.34490.1816-0.312-0.2189-0.3201];
figure;
plot(X,D,'*');%绘制原始数据分布图(附录:
1-1)
net=newff([-11],[51],{'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:
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:
输入X
输出D
输入X
输出D
输入X
输出D
0
0
4
4
8
2
1
1
5
3
9
3
2
2
6
2
10
4
3
3
7
1
解:
看到期望输出的范围超出
,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=[012345678910];
D=[01234321234];
figure;
plot(X,D,'*');%绘制原始数据分布图
net=newff([010],[51],{'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:
问题:
以下是上证指数2009年2月2日到3月27日的收盘价格,构建一个三层BP神经网络,利用该组信号的6个过去值预测信号的将来值。
日期
价格
日期
价格
2009/02/02
2011.682
2009/03/02
2093.452
2009/02/03
2060.812
2009/03/03
2071.432
2009/02/04
2107.751
2009/03/04
2198.112
2009/02/05
2098.021
2009/03/05
2221.082
2009/02/06
2181.241
2009/03/06
2193.012
2009/02/09
2224.711
2009/03/09
2118.752
2009/02/10
2265.161
2009/03/10
2158.572
2009/02/11
2260.822
2009/03/11
2139.021
2009/02/12
2248.092
2009/03/12
2133.881
2009/02/13
2320.792
2009/03/13
2128.851
2009/02/16
2389.392
2009/03/16
2153.291
2009/02/17
2319.442
2009/03/17
2218.331
2009/02/18
2209.862
2009/03/18
2223.731
2009/02/19
2227.132
2009/03/19
2265.761
2009/02/20
2261.482
2009/03/20
2281.091
2009/02/23
2305.782
2009/03/23
2325.481
2009/02/24
2200.652
2009/03/24
2338.421
2009/02/25
2206.572
2009/03/25
2291.551
2009/02/26
2121.252
2009/03/26
2361.701
2009/02/27
2082.852
2009/03/27
2374.44
loaddata3_1.txt;
[m,n]=size(data3_1);
tsx=data3_1(1:
m-1,1);
tsx=tsx';
ts=data3_1(2:
m,1);
ts=ts';
[TSX,TSXps]=mapminmax(tsx,1,2);
[TS,TSps]=mapminmax(ts,1,2);
TSX=TSX';
figure;
plot(ts,'LineWidth',2);
title('到杭旅游总人数(1999.01.01-2009.12.31)','FontSize',12);
xlabel('统计年份(1990.12.19-2009.08.19)','FontSize',12);
ylabel('归一化后的总游客数/万人','FontSize',12);
gridon;
%生成BP网络、利用minmax函数求输入样本范围
net_1=newff(minmax(TS),[10,1],{'tansig','purelin'},'traincgf')
%设置训练参数
net_1.trainParam.show=50;%显示训练迭代过程(NaN表示不显示,缺省25)
net_1.trainParam.lr=0.025;%学习率(缺省0.01)
net_1.trainParam.mc=0.9;%动量因子(缺省0.9)
net_1.trainParam.epochs=10000;%最大训练次数
net_1.trainParam.goal=0.001;%训练要求精度
inputWeights=net_1.IW{1,1}%输入层权值
inputbias=net_1.b{1}%输入层阈值
layerWeights=net_1.LW{2,1}%输出层权值
layerbias=net_1.b{2}%输出层阈值
TS',TSX
%网络训练
[net_1,tr]=train(net_1,TS,TSX);
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- BP 神经网络 matlab 实例 简单 经典