BP神经网络matlab实例简单而经典

1、p=p1't=t1'pn,minp,maxp,tn,mint,maxt二premnmx(p,t);%原始数据归一化net二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;%调用TRAINGDM算法训练%对BP网络进行仿真%还原数据net.trainParam.goal=1e-

2、5; net,tr=train(net ,pn,tn);BP网络pnew=pnew1'pnewn=tramnmx(pnew,minp,maxp);anewn=sim(net,pnewn);anew=postmnmx(anewn,mint,maxt);y=anew'1、BP网络构建(1)生成BP网络net = newff (PR, S1 S 2. SNl ,TF 1 TF 2.TFNI, BTF, BLF, PF)PR :由R维的输入样本最小最大值构成的Rx2维矩阵。S1 S2SNl：各层的神经元个数。TF1 TF2TFNl：各层的神经元传递函数。BTF :训练用函数的名称。(2

3、)网络训练net, tr, Y, E, Pf, Af = train (net, P, T, Pi, Ai, W, TV)(3)网络仿真Y, Pf, Af, E,perf = sim (net, P, Pi, Ai, T)'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trainrpFletcher-Reeves共机梯度法traincgfPloak-Ribie

4、re共轭梯度法traincgpPowell-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trainossLevenberg-MarquardttrainlmBP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、 trainlmnet.trainPara

5、m.goal训练要求精度（缺省为0）traingd 、 traingdm 、 traingda 、 traingdx 、 trainrp 、 traincgf 、 traincgp 、 traincgb 、 trainscg 、 trainbfg 、 trainoss、 trainlmnet.trainParam.lr学习率（缺省为0.01）traingd 、 traingdm 、 traingda 、 traingdx 、 trainrp 、 traincgf 、 traincgp 、 traincgb 、 trainscg 、 trainbfg 、 trainoss、 trainlmnet

6、.trainParam.max_fail最大失败次数（缺省为5）traingd 、 traingdm 、 traingda 、 traingdx 、 trainrp 、 traincgf 、 traincgp 、 traincgb 、 trainscg 、 trainbfg 、 trainoss、 trainlmnet.trainParam.min_grad最小梯度要求（缺省为1e-10）traingd 、 traingdm 、 traingda 、 traingdx 、 trainrp 、 traincgf 、 traincgp 、 traincgb 、 trainscg 、 trainbf

7、g 、 trainoss、 trainlmnet.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、 trainlmnet.trainParam.time最大训练时间（缺省为inf）traingd 、 traingdm 、 traingda 、 traingdx 、 trainrp 、 traincgf 、 traincgp 、 tra

8、incgb 、 trainscg 、 trainbfg 、 trainoss、 trainlmnet.trainParam.mc动量因子（缺省0.9）traingdm、 traingdxnet.trainParam.lr_inc学习率lr增长比（缺省为1.05）traingda、 traingdxnet.trainParam.lr_dec学习率lr下降比（缺省为0.7）traingda、 traingdxnet.trainParam.max_perf_inc表现函数增加最大比（缺省 为 1.04）traingda、 traingdxnet.trainParam.delt_inc权值变化增加量（

9、缺省为1.2）trainrpnet.trainParam.delt_dec权值变化减小量（缺省为0.5）trainrpnet.trainParam.delt0初始权值变化（缺省为0.07）trainrpnet.trainParam.deltamax权值变化最大值（缺省为50.0）trainrpnet.trainParam.searchFcn一维线性搜索方法（缺省为 srchcha）traincgf 、 traincgp 、 traincgb 、 trainbfg 、 trainossnet.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

10、net.trainParam.lambdaHessian矩阵不确定性调节 参数（缺省为5.0e-7）trainscgnet.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）trainlmnet.trainParam.mu目的初始值（缺省为0.001）trainlmnet.trainParam.mu_dec口的减小率（缺省为0.1）trainlmnet.trainParam.mu_inc口的增长率（缺省为10）trainlmnet.trainParam.mu_maxN的最大值（缺省为1e10）trainlm2、BP网络举例举例1、%

11、traingdclear;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.iw1,1%隐层权值 net.b1

12、%隐层阈值门6匕际2,1%输出层权值 门6/2%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-1.0000-0.9602-0.30000.13360.40000.3072-0.9000-0.5770-0.2000-0.20130.50000.3960-0.8000-0.0729-0.1000-0.43440.60000.3449-0.70000.37710-0.50000.70000.1816-0.60000.64050.1000-0.39300.8000-0.3120-0.50

13、000.66000.2000-0.16470.9000-0.2189-0.40000.46090.3000-0.09881.0000-0.3201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;f

14、igure;plot(X,D, '*1); %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.iw1,1%输入层到中间层权值thetal=

15、net.b1%中间层各神经元阈值W=net.lw2,1%中间层到输出层权值theta2二门6七/2%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：V = (-9.1669 7.3448 7.3761 4.8966 3.5409> 中间层各神经元的阈值：。=(6.5885 -2.4019 -0.9962 1.5303 3.2731 中间层到输出层的权值：卬=(0.3427 0.2135 0.2981 -0.8840 1.913» 输出层各神经元的阈值：T = -1.5271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

16、输出D输入X输出D输入X输出D00448211539322621043371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, '*1); %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)

17、;O=sim(net,X);figure;plot(X,D,，*，,X,0); %绘制训练后得到的结果和误差曲线(附录:2-2、2-3)V=net.iw1,1%输入层到中间层权值theta1=net.b1%中间层各神经元阈值W=net.lw2,1%中间层到输出层权值theta2二门6七/2%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：V =(0.8584 2.0890 -1.2166 0.2752 -0.3910中间层各神经元的阈值：9=(-14.0302 -9.8340 7.4331 -2.0135 0.5610上 中间层到输出层的权值：卬= (-0.4675 -1.1234 2.

18、3208 4.6402 -2.2686 输出层各神经元的阈值：T = 1.7623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2009/02/022011.6822009/03/022093.4522009/02/032060.8122009/03/032071.4322009/02/042107.7512009/03/042198.1122009/02/052098.0212009/03/052221.0822009/02/062181.2412009/03/062193.0122009/

19、02/092224.7112009/03/092118.7522009/02/102265.1612009/03/102158.5722009/02/112260.8222009/03/112139.0212009/02/122248.0922009/03/122133.8812009/02/132320.7922009/03/132128.8512009/02/162389.3922009/03/162153.2912009/02/172319.4422009/03/172218.3312009/02/182209.8622009/03/182223.7312009/02/192227.13

20、22009/03/192265.7612009/02/202261.4822009/03/202281.0912009/02/232305.7822009/03/232325.4812009/02/242200.6522009/03/242338.4212009/02/252206.5722009/03/252291.5512009/02/262121.2522009/03/262361.7012009/02/272082.8522009/03/272374.44load data3_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二mapminmax(tsx,1,2);TS,TSps二mapminmax(ts,1,2);TSX=TSX'figure;plot(ts, 'LineWidth&