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ewff(minmax(P),[20,1],{'tansig','purelin'});
pause
clc
echo off
clc
disp('1. L-M 优化算法 TRAINLM'); disp('2. 贝叶斯正如此化算法 TRAINBR');
choice=input('请选择训练算法(1,2):');
figure(gcf);
if(choice==1)
echo on
clc
% 采用 L-M 优化算法 TRAINLM
='trainlm';
pause
clc
% 设置训练参数
= 500;
= 1e-6;
net=init(net);
word
word
5 / 11
word
% 重新初始化
pause
clc
elseif(choice==2)
echo on
clc
% 采用贝叶斯正如此化算法 TRAINBR
='trainbr';
pause
clc
% 设置训练参数
= 500;
randn('seed',192736547);
net = init(net);
% 重新初始化
pause
clc
end
% 调用相应算法训练 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
% 绘制匹配结果曲线
close all;
plot(P,A,P,T,'+',P,sin(2*pi*P),':');
pause;
clc
echo off
通过采用两种不同的训练算法，我们可以得到如图 1和图 2所示的两种拟合结果。图中的实线表示拟合曲线，虚线代表不含白噪声的正弦曲线，“＋〞点为含有白噪声的正弦样本数据点。显然，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，具有较好的推广能力。
值得指出的是，在利用 trainbr 函数训练 BP 网络时，假如训练结果收敛，通常会给出提示信息
word
word
5 / 11
word
“Maximum MU reached〞。此外，用户还可以根据 SSE 和 SSW 的大小变化情况来判断训练是否收敛：当 SSE 和 SSW 的值在经过假如干步迭代后处于恒值时，如此通常说明网络训练收敛，此时可以停止训练。观察trainbr 函数训练 BP 网络的误差变化曲线,可见，当训练迭代至 320 步时，网络训练收敛，此时 SSE 和 SSW 均为恒值，当前有效网络的参数〔有效权值和阈值〕个数为 。
例3 采用“提前停止〞方法提高 BP 网络的推广能力。对于和例 2一样的问题，在本例中我们将采用训练函数 traingdx 和“提前停止〞相结合的方法来训练 BP 网络，以提高 BP 网络的推广能力。
解：在利用“提前停止〞方法时，首先应分别定义训练样本、验证样本或测试样本，其中，验证样本是必不可少的。在本例中，我们只定义并使用验证样本，即有
验证样本输入矢量： = [-:.05:]
验证样本目标矢量： = sin(2*pi*)+*randn(size())
值得注意的是，尽管“提前停止〞方法可以和任何一种 BP 网络训练函数一起使用，但是不适合同训练速度过快的算法联合使用，比如 trainlm 函数，所以本例中我们采用训练速度相对较慢的变学****速率算法 traingdx 函数作为训练函数。
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
% 定义训练样本矢量
% P 为输入矢量
P = [-1::1];