BP神经网络Matlab实例

采用Matlab工具箱函数建立神经网络，对一些基本的神经网络参数进行了说明，深入了解参考Matlab帮助文档。实例一%例1采用动量梯度下降算法训练BP网络。%训练样本定义如下：%输入矢量为%p=[-1-231%-115-3]%目标矢量为t=[-1-111]closeallclearclc%---------------------------------------------------------------%NEWFF——生成一个新的前向神经网络,函数格式：%net=newff(PR,[S1S2...SNl],{TF1TF2...TFNl},BTF,BLF,PF)takes,%PR--Rx2matrixofminandmaxvaluesforRinputelements%（对于R维输入，PR是一个Rx2的矩阵，每一行是相应输入的边界值）%Si--第i层的维数%TFi--第i层的传递函数,default='tansig'%BTF--反向传播网络的训练函数,default='traingdx'%BLF--反向传播网络的权值/阈值学习函数,default='learngdm'%PF--性能函数,default='mse'%---------------------------------------------------------------%TRAIN——对BP神经网络进行训练，函数格式：%train(NET,P,T,Pi,Ai,VV,TV)，输入参数：%net--所建立的网络%P--网络的输入%T--网络的目标值,default=zeros%Pi--初始输入延迟,default=zeros%Ai--初始网络层延迟,default=zeros%VV--验证向量的结构,default=[]%TV--测试向量的结构,default=[]%返回值：%net--训练之后的网络%TR--训练记录(训练次数及每次训练的误差)%Y--网络输出%E--网络误差%Pf--最终输入延迟%Af--最终网络层延迟%---------------------------------------------------------------%SIM——对BP神经网络进行仿真，函数格式：%[Y,Pf,Af,E,perf]=sim(net,P,PiAi,T)%参数与前同。%---------------------------------------------------------------%%定义训练样本%P为输入矢量echoonP=[-1,-2,3,1;-1,1,5,-3];%T为目标矢量T=[-1,-1,1,1];%创建一个新的前向神经网络net=newff(minmax(P),[3,1],{'tansig','purelin'},'traingdm')%---------------------------------------------------------------%训练函数：traingdm，功能：以动量BP算法修正神经网络的权值和阈值。%它的相关特性包括：%epochs：训练的次数，默认：100%goal：误差性能目标值，默认：0%lr：学习率，默认：0.01%max_fail：确认样本进行仿真时，最大的失败次数，默认：5%mc：动量因子，默认：0.9%min_grad：最小梯度值，默认：1e-10%show：显示的间隔次数，默认：25%time：训练的最长时间，默认：inf%---------------------------------------------------------------%当前输入层权值和阈值inputWeights=net.IW{1,1}inputbias=net.b{1}%当前网络层权值和阈值layerWeights=net.LW{2,1}layerbias=net.b{2}%设置网络的训练参数net.trainParam.show=50;net.trainParam.lr=0.05;net.trainParam.mc=0.9;net.trainParam.epochs=1000;net.trainParam.goal=1e-3;%调用TRAINGDM算法训练BP网络[net,tr]=train(net,P,T);%对BP网络进行仿真A=sim(net,P)%计算仿真误差E=T-AMSE=mse(E)echoofffigure;plot((1:4),T,'-*',(1:4),A,'-o')实例2%采用贝叶斯正则化算法提高BP网络的推广能力。在本例中，我们采用两种训练方法，即L-M优化算法%（trainlm）和贝叶斯正则化算法（trainbr），%用以训练BP网络，使其能够拟合某一附加有白噪声的正弦样本数据。其中，样本数据可以采用如下%MATLAB语句生成：%输入矢量：P=[-1:0.05:1]；%目标矢量：randn(’seed’,78341223)；%T=sin(2*pi*P)+0.1*randn(size(P))；%MATLAB程序如下：closeallclearallclc%NEWFF——生成一个新的前向神经网络%TRAIN——对BP神经网络进行训练%SIM——对BP神经网络进行仿真%定义训练样本矢量%P为输入矢量P=[-1:0.05:1];%T为目标矢量randn('seed',78341223);T=sin(2*pi*P)+0.1*randn(size(P));%创建一个新的前向神经网络net=newff(minmax(P),[20,1],{'tansig','purelin'});disp('1.L-M优化算法TRAINLM');disp('2.贝叶斯正则化算法TRAINBR');choice=input('请选择训练算法(1,2):');if(choice==1)%采用L-M优化算法TRAINLMnet.trainFcn='trainlm';%设置训练参数net.trainParam.epochs=500;net.trainParam.goal=1e-6;%重新初始化net=init(net);pause;elseif(choice==2)%采用贝叶斯正则化算法TRAINBRnet.trainFcn='trainbr';%设置训练参数net.trainParam.epochs=500;%重新初始化net=init(net);pause;end%调用相应算法训练BP网络[net,tr]=train(net,P,T);%对BP网络进行仿真A=sim(net,P);%计算仿真误差E=T-A;MSE=mse(E)%绘制匹配结果曲线figureplot(P,A,'o',P,T,'+',P,sin(2*pi*P),':');legend('网络输出','目标值-带噪声','目标值-不带噪声')结果：采用L-M优化算法（trainlm）：采用贝叶斯正则化算法（trainbr）：可以看到，经trainlm函数训练后的神经网络对样本数据点实现了“过度匹配”，而经trainbr函数训练的神经网络对噪声不敏感，鲁棒性较好。