BP系统建模.docVIP

采用BP神经网络：所要拟合的非线性函数为： 其中：x(-4 4) 各个训练参数： 隐层神经元个数：10 设置输入范围：（-4 4） 学习步长：lr=0.005 迭代结束条件：E0=0.01 初始权值和阈值选取：（-0.1 0.1） function main(); clear all; close all; samnum=101; % 用101个数据对来训练神经网络 testsamum=101; % 用 另外101个数据对来验证神经网络的学习效果 hiddenunitnum=10; % 隐单元数目定义为10 indim=1; %输入层神经元数目定义为1 outdim=1; %输出层神经元数目定义为1 rand(state,sum(100*clock)); %设置随机数产生的模式 samin=8*rand(1,samnum)-4; %设置输入为（-4，4） samout=samin.*sin(samin)+4*exp(-samin.^2)+0.1*samin; %计算相应的输出 testsamin=-4:0.08:4; %生成用于检验的数据 testsamout=testsamin.*sin(testsamin)+4*exp(-testsamin.^2)+0.1*testsamin; maxepochs = 10000; %最大的迭代次数 lr=0.005; %学习步长 E0=0.01; %结束迭代的另一个条件，总误差 w1=0.2*rand(hiddenunitnum,indim)-0.1; % 初始权值和阈值选取为（-0.1，0.1） b1=0.2*rand(hiddenunitnum,1)-0.1; w2=0.2*rand(outdim,hiddenunitnum)-0.1; b2=0.2*rand(outdim,1)-0.1; w1ex=[w1 b1]; w2ex=[w2 b2]; saminex=[samin ones(samnum,1)]; errorhistory=[]; for i=1:maxepochs hiddenout=logsig(w1ex*saminex); %前向计算（输入层至隐层，采用S函数 hiddenoutex=[hiddenout ones(samnum,1)]; networkout=w2ex*hiddenoutex; %计算系统输出 error=samout-networkout; %计算网络输出与期望输出误差 SSE= sumsqr(error); % 计算二次总误差 errorhistory = [errorhistory SSE]; if SSEE0, break,end; %如果误差达到要求，跳出循环迭代 delta2=error; delta1=w2*delta2.*hiddenout.*(1-hiddenout); %根据权值修改公式，计算权值 % 修改量 dw2ex=delta2*hiddenoutex; dw1ex=delta1*saminex; w1ex=w1ex+lr*dw1ex; %修改权值 w2ex=w2ex+lr*dw2ex; w2=w2ex(:,1:hiddenunitnum); end; testinex=[testsamin ones(testsamum,1)]; testhiddenout=logsig(w1ex*testinex);