基于matlab实现BP神经网络模型仿真

#初始值的影响本文建立BP神经网络模型时用的是newff()函数，由于newff()的随意性，所以基本上每一次的训练结果都是不同的。前馈型神经网络在训练之前必须要对权值和阈值进行初始化，newff()可以自动完成这一过程，但是，权值和阈值的初始化时随机的，这里就不详细研究了。训练函数的影响从上文所给的结果图可以看出，训练函数对模型训练的影响是显著的，网络训练方法分别用了梯度下降法、有动量的梯度下降法和有自适应lr的梯度下降法，可以看到用梯度下降法要训练24961步才能达到要求的训练精度，而使用有动量的梯度下降法和有自适应lr的梯度下降法分别只需要11199步和830步。大幅度的缩减了训练次数，但得到的训练过的模型一样精准。稳定性BP神经网络模型有一下几点不足：首先，由于学习速率是固定的，因此网络的收敛速度慢，需要较长的训练时间。对于一些复杂问题，BP算法需要的训练时间可能非常长，这主要是由于学习速率太小造成的，可采用变化的学习速率或自适应的学习速率加以改进。其次，BP算法可以使权值收敛到某个值，但并不保证其为误差平面的全局最小值，这是因为采用梯度下降法可能产生一个局部最小值。对于这个问题，可以采用附加动量法来解决。再次，网络隐含层的层数和单元数的选择尚无理论上的指导，一般是根据经验或者通过反复实验确定。因此，网络往往存在很大的冗余性，在一定程度上也增加了网络学习的负担。最后，网络的学习和记忆具有不稳定性。也就是说，如果增加了学习样本，训练好的网络就需要从头开始训练，对于以前的权值和阈值是没有记忆的。但是可以将预测、分类或聚类做的比较好的保存。泛化能力BP神经网络模型的泛化能力很弱，而且学习和记忆具有不稳定性，所以在实际的应用中，原始的BP算法很难胜任。本文最后给出径向基函数网络的仿真结果及源代码，并与BP神经网络模型进行比较。径向基函数网络的仿真matlab源代码如下：clearclcx=[];%输入y=[];%输出p=x';t=y';net=newrb(p,t);Y=sim(net,p);figure(1)

plot(p,Y,':og');holdonplot(p,t,'-*');legend('预测输出','期望输出')title('径向基函数网络输出','fontsize',12)ylabel('函数输出','fontsize',12)xlabel('样本','fontsize',12)error=Y-t;figure(2)plot(error,'-*')title('径向基函数网络预测误差','fontsize',12)ylabel('误差','fontsize',12)xlabel('样本','fontsize',12)结果如下图所示：8X18X15径向基函数网络预测输出出输数函4出输数函40本02样预测输出—预测输出—期望输出径向基函数网络预测误差21.510-0.5-1差J52/曲-1.5024681012样本从上图可以看出用newrb()函数建立径向基函数网络模型进行仿真也得到了很好的结果，并且该模型比BP21.510-0.5-1差J52/