文档介绍：word
word
1 / 11
word
BP神经网络的设计MATLAB编程
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 -2 3 1
-1 1 5 -3]
目标矢量为 t = [-1 -1 1 1]
解：本例的 MATLAB 程序如下：
close all
clear
echo on
clc
% NEWFF——生成一个新的前向神经网络
% TRAIN——对 BP 神经网络进展训练
% SIM——对 BP 神经网络进展仿真
pause
% 敲任意键开始
clc
% 定义训练样本
% P 为输入矢量
P=[-1, -2, 3, 1; -1, 1, 5, -3];
% T 为目标矢量
T=[-1, -1, 1, 1];
pause;
clc
% 创建一个新的前向神经网络
net=newff(minmax(P),[3,1],{'tansig','purelin'},'traingdm')
% 当前输入层权值和阈值
inputWeights={1,1}
inputbias={1}
% 当前网络层权值和阈值
layerWeights={2,1}
layerbias={2}
pause
clc
% 设置训练参数
= 50;
= ;
= ;
word
word
2 / 11
word
bpnet=newff(pr,[12 4],{'logsig', 'logsig'}, 'traingdx', 'learngdm');
%建立BP神经网络， 12个隐层神经元，4个输出神经元
%tranferF属性 'logsig' 隐层采用Sigmoid传输函数
%tranferF属性 'logsig' 输出层采用Sigmoid传输函数
%trainF属性 'traingdx' 自适应调整学****速率附加动量因子梯度下降反向传播算法训练函数
%learn属性 'learngdm' 附加动量因子的梯度下降学****函数
=1000;%允许最大训练步数2000步
=10; %每间隔100步显示一次训练结果
= 1000;
= 1e-3;
pause
clc
% 调用 TRAINGDM 算法训练 BP 网络
[net,tr]=train(net,P,T);
pause
clc
% 对 BP 网络进展仿真
A = sim(net,P)
% 计算仿真误差
E = T - A
MSE=mse(E)
pause
clc
echo off
例2 采用贝叶斯正如此化算法提高 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〕和贝叶斯正如此化算法〔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::1]；
目标矢量：randn(’seed’,78341223)；
T = sin(2*pi*P)+*randn(size(P))；
解：本例的 MATLAB 程序如下：
close all
clear
word
word
3 / 11
word
echo on
clc
% NEWFF——生成一个新的前向神经网络
% TRAIN——对 BP 神经网络进展训练
% SIM——对 BP 神经网络进展仿真
pause
% 敲任意键开始
clc
% 定义训练样本矢量
% P 为输入矢量
P = [-1::1];
% T 为目标矢量
randn('seed',78341223); T = sin(2*pi*P)+*randn(size(P));
% 绘制样本数据点
plot(P,T,'+');
echo off
hold on;
plot(P,sin(2*pi*P),':');
% 绘制不含噪声的正弦曲线
echo on
clc
pause
clc
% 创建一个新的前向神经网络
n