BP神经网络工具箱代码

clearallclcinputNums=3;outputNums=3;•hideNums=10;•maxcount=20000;•samplenum=3;•precision=0.001;yyy=1.3;•alpha=0.01;a=0.5;error=zeros(1,maxcount+1);•errorp=zeros(1,samplenum);•v=rand(inputNums,hideNums);deltv=zeros(inputNums,hideNums);dv=zeros(inputNums,hideNums);•w=rand(hideNums,outputNums);•deltw=zeros(hideNums,outputNums);dw=zeros(hideNums,outputNums);•samplelist=[0.1323,0.323,-0.132;0.321,0.2434,0.456;-0.6546,-0.3242,0.3255];expectlist=[0.5435,0.422,-0.642;0.1,0.562,0.5675;-0.6464,-0.756,0.11];count=1;while(count<=maxcount)c=1;while(c<=samplenum)fork=1:outputNumsd(k)=expectlist(c,k);endfori=1:inputNumsx(i)=samplelist(c,i);end%Forward();forj=1:hideNumsnet=0.0;fori=1:inputNumsnet=net+x(i)*v(i,j);%输入层到隐层的加权和工X(i)V(i)endy(j)=1/(1+exp(-net));%输出层处理f(x)=1/(1+exp(-x))单极性sigmiod函数endfork=1:outputNumsnet=0.0;forj=1:hideNumsnet=net+y(j)*w(j,k);endifcount>=2&&error(count)-error(count+1)<=0.0001o(k)=1/(1+exp(-net)/yyy);%平坦区加大学习率elseo(k)=1/(1+exp(-net));%同上endend%BpError(c)反馈/修改；errortmp=0.0;fork=1:outputNumserrortmp=errortmp+(d(k)-o(k))A2;%第一组训练后的误差计算enderrorp(c)=0.5*errortmp;%误差E=E(d(k)-o(k))A2*1/2%end%Backward();fork=1:outputNumsyitao(k)=(d(k)-o(k))*o(k)*(1-o(k));%输入层误差偏导字串5endforj=1:hideNumstem=0.0;fork=1:outputNumstem=tem+yitao(k)*w(j,k);%为了求隐层偏导，而计算的工endyitay(j)=tem*y(j)*(1-y(j));%隐层偏导end%调整各层权值forj=1:hideNumsfork=1:outputNumsdeltw(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=dletw(t-1),实际是对BP算法的一个dw(j,k)=deltw(j,k);%改进措施--增加动量项目的是提高训练速度endendfori=1:inputNumsforj=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);endendc=c+1;end%第二个while结束；表示一次BP训练结束doubletmp;tmp=0.0;字串8fori=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)%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;pp=p/50;plot(pp,error(p),"-");%显示误差然后下面是研友wangleisxcc的程序基础上，我把初始化网络，训练网络，和网络使用三个稍微集成后的一个新函数bpnet%简单的BP神经网络集成，使用时直接调用bpnet就行%输入的是p-作为训练值的输入%t-也是网络的期望输出结果%ynum-设定隐层点数一般取3~20;%maxnum-如果训练一直达不到期望误差之内，那么BP迭代的次数一般设为5000%ex-期望误差，也就是训练一小于这个误差后结束迭代一般设为0.01%lr-学习率一般设为0.01%pp-使用p-t虚拟蓝好的BP网络来分类计算的向量，也就是嵌入二值水印的大组系数进行训练然后得到二值序列%ww-输出结果%注明：ynum,maxnum,ex,lr均是一个值；而p,t,pp,ww均可以为向量字串1%比如p是m*n的n维行向量，t那么为m*k的k维行向量，pp为o*i的i维行向量,ww为o*k的k维行向量%p,t作为网络训练输入，pp作为训练好的网络输入计算，最后的WW作为pp经过训练好的BP训练后的输出functionww=bpnet(p,t,ynum,maxnum,ex,lr,pp)plot(p,t,"+");title("训练向量")；xlabel("P");ylabel("t")；[w1,b1,w2,b2]=initff(p,ynum,"tansig",t,"purelin")；%初始化含一个隐层的BP网络zhen=25；%每迭代多少次更新显示biglr=1.1；%学习慢时学习率(用于跳出平坦区)litlr=0.7；%学习快时学习率(梯度下降过快时)a=0.7%动量项a大小(△W(t)=lr*X*人+a*AW(t-1))tp=[zhenmaxnumexlrbiglrlitlra1.04]；%trainbpx[w1,b1,w2,b2,ep,tr]=trainbpx(w1,b1,"tansig",w2,b2,"purelin",p,t,tp)；ww=simuff(pp,w1,b1,"tansig",w2,b2,"purelin");%ww就是调用结果下面是bpnet使用简例:%bpnet举例，因为BP网络的权值初始化都是随即生成，所以每次运行的状态可能不一样。%如果初始化的权值有利于训练，那么可能很快能结束训练，反之则反之字串6clearallclcfigurerandn("state",sum(100*clock))num1=5;%隐节点数num2=10000;%最大迭代次数a1=0.02;%期望误差a2=0.05;%学习率test=randn(1,5)*0.5;%随即生成5个测试值in=-1:.1:1;%训练值expout=[-.9602-.5770-.0729.3771.6405.6600.4609.1336-.2013-.4344-.5000-.3930-.1647.0988.3072.3960.3449.1816-.0312-.2189-.3201