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,minmax(pn)找到pn矩阵的最大最小值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);%复原数据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trainrpFletcher-Reeves共轭梯度法traincgfPloak-Ribiere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最大训练次数〔缺省为10〕traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm训练要求精度〔缺省为0〕traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm学习率〔缺省为0.01〕traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm最大失败次数〔缺省为5〕traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm最小梯度要求〔缺省为1e-10〕traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm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最大训练时间〔缺省为inf〕traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、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〔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〕trainscgnet.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，否那么设为2〔缺省为1〕trainlmnet.trainParam.mu的初始值〔缺省为0.001〕trainlmnet.trainParam.mu_dec的减小率〔缺省为0.1〕trainlmnet.trainParam.mu_inc的增长率〔缺省为10〕trainlmnet.trainParam.mu_max的最大值〔缺省为1e10〕trainlm2、BP网络举例举例1、%traingdclear;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');%minmax(P)取P的最大最小值；[5,1]第一次神经元5个，第二层1个；'tansig','purelin'神经网络第一层和第二层的转移函数；'trainrp'网络训练函数。net.trainParam.show=50;%最多显示训练步数net.trainParam.lr=0.05;%学习率〔缺省为0.01〕net.trainParam.epochs=300;%设置训练次数，net.trainParam.goal=1e-5;%设置精确度[net,tr]=train(net,P,T);%训练开始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-1.0000-0.9602-0.30000.13360.40000.3072-0.9000-0.5770-0.2000-0.20230.50000.3960-0.8000-0.0729-0.1000-0.43440.60000.3449-0.70000.37710-0.50000.70000.1816-0.60000.64050.1000-0.39300.8000-0.3120-0.50000.66000.2000-0.16470.9000-0.2189-0.40000.46090.3000-0.09881.0000-0.3201解：看到期望输出的范围是，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...0.1336-0.2023-0.4344-0.5000-0.3930-0.1647-.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=1000;%训练的最大次数=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D00448211539322621043371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2023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2023/02/022023.6822023/03/022093.4522023/02/032060.8122023/03/032071.4322023/02/042107.7512023/03/042198.1122023/02/052098.0212023/03/052221.0822023/02/062181.2412023/03/062193.0122023/02/092224.7112023/03/092118.7522023/02/102265.1612023/03/102158.5722023/02/112260.8222023/03/112139.0212023/02/122248.0922023/03/122133.8812023/02/132320.7922023/03/132128.8512023/02/162389.3922023/03/162153.2912023/02/172319.4422023/03/172218.3312023/02/182209.8622023/03/182223.7312023/02/192227.1322023/03/192265.7612023/02/202261.4822023/03/202281.0912023/02/232305.7822023/03/232325.4812023/02/242200.6522023/03/242338.4212023/02/252206.5722023/03/252291.5512023/02/262121.2522023/03/262361.7012023/02/272082.8522023/03/272374.44loaddata3_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(1999.01.01-2023.12.31)','FontSize',12);xlabel('统计年份(1990.12.19-2023.08.19)','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);另一问题隐层个数及训练次数可以在定义网络时自己设定，图形的话是系统自己生成的.

题目的意思是00得到0，01得到1,10得到1,11得到0。前者为输入，后者为输出.

所以就这样构造:

%输入一共四组，每组两个

p=[0,0;0,1;1,0;1,1];

%输出：

t=[0,1,1,0]；

构造神经网络:

net=newff(p',t,{10},{'tansig'}，'trainlm');

%上面这句话的意思是建立新的神经网络net，newff(输入，输出，{隐层数量及该层的节点个数}，{传输函数名}，训练函数)；{10}代表单隐层，并且该层节点为10个，如果想显示多隐层，比方双隐层，{10,15}这样就行，传输函数也要相应增加，比方{'tansig','logsig'}节点数和传输函数名可以随意调整，目的当然是让预测结果更精确

%之后，

net.trainParam.goal=0.00001;%设置精确度

net.trainParam.epochs=5000;%设置训练次数，5000次

[net,tr]=train(net,p',t);%训练开始

。。。。。。。。

这样就可以训练了,过几秒后图片matlab会自动生成

最后想测试训练结果的话，比方你想打00进去看它是不是也给0

p=[00];

a=sim(net,p')

。。。sim就是让net去预测结果

epochs:100最大训练次数

goal:0训练目标

max_fail:5最多验证失败次数

mem_reduc:1Factortouseformemory/speedtradeoff

min_grad:1.0000e-010最小训练梯度

mu:1.0000e-003mu初始参数

mu_dec:0.1000mu减少因子

mu_inc:10mu增加因子

mu_max:1.0000e+010mu最大可取

show:25最多显示训练步数

time:Inf最多训练时间，无限制minmax(P_train)得到矩阵P_train的最小和最大值〔找到每行的最小和最大，有多少行就有多少对最小和最大〕；

[17,3]意思是在隐层建立17个神经元，输出层建立一个神经元；

'tansig','logsig'},'traingdm'是神经网络的一些算法；

做BP网络的话，大概要用到

newff,建立BP

init网络初始化

train网络训练

sim仿真

记得还要数据归一化啊追问能给上面的数据给个代码么？谢谢啊答复P_pix=[175.8728234670.3809570960.270238095

149.50752491130.75581480.370238095

155.11044451450.9348177710.46547619

151.5008251950.6270592910.610714286

163.4778272600.367022250.754761905

219.5723116720.3279101970.257142857

176.3567251190.6747687110.351190476

139.76219881851.3236769420.489285714

162.38371911260.7759398580.642857143

175.2430455700.3994452380.742857143

207.9933893980.4711688210.280952381

140.03570971160.8283601390.357142857

139.36462971310.9399802540.48452381

1389045985090.632142857

175.5874268670.3815762960.741666667];

t=[100;110;010;011;001;100;110;010;011;001;100;110;010;011;001];

t_train=t';

P_train=P_pix';

P_min_max=minmax(P_train);

forn1=1:15

P_train(1,n1)=(P_train(1,n1)-P_min_max(1,1))/(P_min_max(1,2)-P_min_max(