第04讲BP神经网络.docVIP

BP神经网络 一、例子部分 1、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 -0.3000 0.1336 0.4000 0.3072 -0.9000 -0.5770 -0.2000 -0.2013 0.5000 0.3960 -0.8000 -0.0729 -0.1000 -0.4344 0.6000 0.3449 -0.7000 0.3771 0 -0.5000 0.7000 0.1816 -0.6000 0.6405 0.1000 -0.3930 0.8000 -0.3120 -0.5000 0.6600 0.2000 -0.1647 0.9000 -0.2189 -0.4000 0.4609 0.3000 -0.0988 1.0000 -0.3201 解： 看到期望输出的范围是，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 -0.0729 0.3771 0.6405 0.6600 0.4609... 0.1336 -0.2013 -0.4344 -0.5000 -0.3930 -0.1647 -.0988... 0.3072 0.3960 0.3449 0.1816 -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(X,D,5); net = newff(minmax(X),[5,1],{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： 中间层各神经元的阈值： 中间层到输出层的权值： 输出层各神经元的阈值： 图1-1 原始数据的分布 图1-2 训练后得到的结果 图1-3 误差曲线 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 0 0 4 4 8 2 1 1 5 3 9 3 2 2 6 2 10 4 3 3 7 1 解： 看到期望输出的范围超出，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 = [0 1 2 3 4 5 6 7 8 9 10]; D = [0 1 2 3 4 3 2 1 2 3 4]; figure; plot(X,D,*); %绘制原始数据分布图（附录：2-1） %net = newff(X,D,5); %net = newff(minmax(X),[5 1],{tansig,purelin}) net.trainParam.epochs = 1000; 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： 中间层各神经元的阈值： 中间层到输出层的权值： 输出层各神经元的阈值： 图2-1 原始数据的分布 图2-2 训练后得到的结果 图2-3 误差曲线 3、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 2009/02/02 2011.682 2009/03/02 2093.452 2009/02/03 2060.812 2009/03/03 2071.432