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);%还原数据y=anew';1、BP网络构建（1）生成BP网络(,[12...],{12...},,,)netnewffPRSSSNlTFTFTFNlBTFBLFPFPR：由R维的输入样本最小最大值构成的2R维矩阵。[12...]SSSNl：各层的神经元个数。{12...}TFTFTFNl：各层的神经元传递函数。BTF：训练用函数的名称。（2）网络训练[,,,,,](,,,,,,)nettrYEPfAftrainnetPTPiAiVVTV（3）网络仿真[,,,,](,,,,)YPfAfEperfsimnetPPiAiT{'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traincgf..Ploak-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.trainParam.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.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、trainbfg、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、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，否则设为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),T,[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.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-1.0000-0.9602-0.30000.13360.40000.3072-0.9000-0.5770-0.2000-0.20130.50000.3960-0.8000-0.0729-0.1000-0.43440.60000.3449-0.70000.37710-0.50000.70000.1816-0.60000.64050.1000-0.39300.8000-0.3120-0.50000.66000.2000-0.16470.9000-0.2189-0.40000.46090.3000-0.09881.0000-0.3201解：看到期望输出的范围是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=[-0.9602-0.5770-0.07290.37710.64050.66000.4609...0.1336-0.2013-0.4344-0.5000-0.3930-0.1647-.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.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：-9.16697.34487.37614.89663.5409TV中间层各神经元的阈值：6.5885-2.4019-0.99621.53033.2731T中间层到输出层的权值：0.34270.21350.2981-0.88401.9134W输出层各神经元的阈值：-1.5271T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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=[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：0.85842.0890-1.21660.2752-0.3910TV中间层各神经元的阈值：-14.0302-9.83407.4331-2.01350.5610T中间层到输出层的权值：-0.4675-1.12342.32084.6402-2.2686W输出层各神经元的阈值：1.7623T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2009/02/022011.6822009/03/022093.4522009/02/032060.8122009/03/032071.4322009/02/042107.7512009/03/042198.1122009/02/052098.0212009/03/05