BP神经网络的设计实例.docVIP

BP神经网络的设计实例(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 神经网络进行训练 % SIM——对 BP 神经网络进行仿真 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=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} pause clc %??设置训练参数 net.trainParam.show = 50; net.trainParam.lr = 0.05; net.trainParam.mc = 0.9; net.trainParam.epochs = 1000; net.trainParam.goal = 1e-3; pause clc %??调用 TRAINGDM 算法训练 BP 网络 [net,tr]=train(net,P,T); pause clc %??对 BP 网络进行仿真 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’； T = sin(2*pi*P)+0.1*randn(size(P))； 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 神经网络进行训练% SIM——对 BP 神经网络进行仿真 pause? ?? ???%??敲任意键开始 clc %??定义训练样本矢量 % P 为输入矢量 P = [-1:0.05:1]; % T 为目标矢量 randn(seed; T = sin(2*pi*P)+0.1*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 net=newff(minmax(P),[20,1],{tansig,purelin}); pause clc echo off clcdisp(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):); figure(gcf); if(choice==1)? ?? ?? ?? ?? ???? ? echo on? ?? ?? ?? ? clc? ?? ?? ?? ? %??采用 L-M 优化算法 TRAINLM ? ? net.trainFcn=trainlm;? ?? ?? ?? ? pause? ?? ?? ?? ? clc? ?? ?? ?? ? %??设置训练参数? ?? ?? ?? ? net.trainParam.epochs = 500;? ?? ?? ?? ? net.trainParam.goal = 1e-6;? ?? ?? ?? ? net=in