三个输入一个输出的人工神经网络编程

1、三个输入一个输出的人工神经网络编程，隐含层为单隐层，为BP算法MATLAB写的：(输入输出隐层节点数都可以改的)clear allinputnums=3;% 输入层节点outputnums=1;% 输出层节点hidenums=7;% 隐层节点maxcount=50000;% 最大迭代次数samplenum=19;% 一个计数器，无意义precision=0.00001;% 预设精度yyy=1.3;%yyy 是帮助网络加速走出平坦区alpha=0.02;%学习率设定值a=0.9;%BP优化算法的一个设定值，对上组训练的调整值按比例修改error=zeros(1,maxcount+1);%erro

2、r 数组初始化；目的是预分配内存空间errorp=zeros(1,samplenum);% 同上v=rand(inputnums,hidenums);%1*10 ； v 初始化为一个1*10 的随机归一矩阵； v 表输入层到隐层的权值deltv=zeros(inputnums,hidenums);%1*10 ；内存空间预分配dv=zeros(inputnums,hidenums);%1*10;w=rand(hidenums,outputnums);%10*1deltw=zeros(hidenums,outputnums);%10*1dw=zeros(hidenums,outputnums);%

3、10*1samplelist=1:0.5:10;% 样本输入值expectlist=samplelist，(-1);% 期望输出值%expectlist=exp(-samplelist);samplelist,minp,maxp=premnmx(samplelist);%expectlist,mint,maxt=premnmx(expectlist);count=1;while(count<=maxcount)% 结束条件 1 迭代 20000 次c=1;while(c<=samplenum)for k=1:outputnumsd(k尸expectlist(c);%获得期望输出的向

4、量endfor i=1:inputnums x(i)=samplelist(c);%获得输入的向量数据end%forward();for j=1:hidenumsnet=0.0;for i=1:inputnumsnet=net+x(i)*v(i,j);% 输入层到隐层的加权和 endy(j)=1/(1+exp(-net);% 输出层处理f(x)=1/(1+exp(-x) ，单极性 sigmiod 函数%y(j)=1/net;% 输出层处理f(x)=1/(1+exp(-x) ，单极性 sigmiod 函数endfor k=1:outputnums net=0.0;for j=1:hidenums

5、 net=net+y(j)*w(j,k);endif count>=2&&error(count)-error(count-1)<=0.0001o(k)=1/(1+exp(-net)/yyy);% 平坦区加大学习率%o(k)=1/(net/yyy);% 平坦区加大学习率else o(k)=1/(1+exp(-net);% 同上%else o(k)=1/net;% 同上 endend%BpError(c)反馈/修改errortmp=0.0;for k=1:outputnumserrortmp=errortmp+(d(k)-o(k)42;% 第一组训练后的误差计算 en

6、derrorp(c)=0.5*errortmp;% 误差 E=E (d(k)-o(k)A2 *1/2 %end %backward();for k=1:outputnumsyitao(k)=(d(k)-o(k)*o(k)*(1-o(k);% 输出层误差偏导 end for j=1:hidenumstem=0.0;for k=1:outputnumstem=tem+yitao(k)*w(j,k);% 为了求隐层偏导，而计算的求和endyitay(j)=tem*y(j)*(1-y(j);% 隐层偏导 end%调整各层权值for j=1:hidenumsfor k=1:outputnumsdeltw

7、(j,k)=alpha*yitao(k)*y(j);% 权值 w 的调整量 deltw (已乘学习率)w(j,k)=w(j,k)+deltw(j,k)+a*dw(j,k);% 权值调整，这里的 dw=deltw (t-1 ) ，实际是 对BP算法的一个改进措施-增加动量项目的是提高训练速度dw(j,k)=deltw(j,k);endendfor i=1:inputnumsfor j=1:hidenumsdeltv(i,j)=alpha*yitay(j)*x(i);% 同上 deltwv(i,j)=v(i,j)+deltv(i,j)+a*dv(i,j);dv(i,j)=deltv(i,j);en

8、dendc=c+1;end%第二个 while结束；表示一次 BP训练结束double tmp;tmp=0.0;for i=1:samplenumtmp=tmp+errorp(i)*errorp(i);% 误差求和endtmp=tmp/c;error(count)=sqrt(tmp);% 误差求均方根，即精度if(error(count)<precision)% 求另一个结束条件break;endcount=count+1;% 训练次数加1end%第一个while结束error(maxcount+1)=error(maxcount);p=1:count-1;plot(p,error(p)

9、,'-');% 显示误差p=1:1:10;t=p，(-1)；%t=exp(-p);pn,minpn,maxpn=premnmx(p);simt=zeros(1,10);%while(a<=9)for i=1:10x=pn(i);%获得输入的向量数据for j=1:hidenumsnet=0.0;net=net+x*v(1,j);% 输入层到隐层的加权和y(j)=1/(1+exp(-net);% 输出层处理f(x)=1/(1+exp(-x) ，单极性 sigmiod 函数%y(j)=1/net;% 输出层处理f(x)=1/(1+exp(-x) ，单极性 sigmiod 函数

10、endnet=0.0;for k=1:hidenumsnet=net+y(k)*w(k,1);endo=1/(1+exp(-net); simt(i)=o;end% simt=postmnmx(simt,mint,maxt);figure;plot(p,t,'*',p,simt,'-');clcclear all% FFT 采样fs=3200;N=64;据点数n=0:N-1;t=n/fs;x=0.8*sin(4.5*2*pi*50*t+pi/4)+0.3*sin(2*2*pi*50*t+pi/5);号y=fft(x,N);快速 Fourier 变换f=fs*(0

11、:length(y)/2)/length(y);z=angle(y)*180/pi;mag=abs(y);fz=mag(1:length(y)/2+1)*2/N;Fourier 变换后的振幅figure(1)plot(f,fz);Nyquist 频率之前随频率变化的振幅xlabel(' 频率/Hz' );ylabel(' 振幅' );title( 'FFT 采样 ' );grid on ;%采样频率和数%时间序列%对信号进行%求得%信% BP 神经网络初始化inputNums=1;%输入层节点outputNums=1;%输出层节点hideNums

12、=4;%隐层节点maxcount=3000;%最大迭代次数sampleNums=N;precision=1e-9;%预设精度xxl1=0.02; xxl2=250; count=1; error=zeros(1,count);errorp=zeros(1,sampleNums);w1=rand(inputNums,hideNums/2); w2=rand(inputNums,hideNums/2); b=1*pi*200,1*pi*120;% BP 神经网络训练while (count<=maxcount) c=1;while (c<=sampleNums)for j=1:hide

13、Nums/2net1(j)=cos(b(j)*t(c);net2(j)=sin(b(j)*t(c);endfor j=1:hideNums/2out(j)=net1(j)*w1(j)+net2(j)*w2(j);endsc(c)=sum(out);errortmp=0.0;errortmp=errortmp+(x(c)-sc(c)F2;e(c)=x(c)-sc(c);errorp(c)=0.5*errortmp;for i=1:hideNums/2dw1(i)=xxl1*e(c)*net1(i);dw2(i)=xxl1*e(c)*net2(i);db(i)=xxl2*e(c)*t(c)*(-w

14、1(i)*net2(i)+w2(i)*net1(i); endfor k=1:hideNums/2w1(k)=w1(k)+dw1(k);w2(k)=w2(k)+dw2(k); b(k)=b(k)+db(k);endc=c+1;enddouble tmp ;tmp=0.0;for i=1:sampleNumstmp=tmp+errorp(i)*errorp(i);endtmp=tmp/c;error(count)=sqrt(tmp);if (error(count)<precision) break ;endcount=count+1;end%误差精度曲线figure(2)p=1:count;plo