BP神经网络讲座2016年数模范例.pptVIP

2.BP网络求解过程 为了了解利用BP网络求解问题的过程，可把问题分为成以下步骤：1）原始数据的输入；2)数据归一化；3）网络建立以及训练；4）对原始数据进行仿真；5）将原始数据仿真的结果与已知样本进行对比；6）对新数据进行仿真。 在进行归一化处理时和把仿真的到的数据还原为原始数据的数量级时，在下面的程序中，都是利用系统函数进行的。 下面是每个程序块的具体程序，并在程序中添加注释 （1)原始数据的输入，具体程序为： sqrts=[20.55 22.44 25.37 27.13 29.45 30.10 30.96 34.06 36.42 38.09 39.13 39.99 41.93 44.59 47.30 52.89 55.73 56.76 59.17 60.63];%人数（单位：万人） sqjdcs=[0.6 0.75 0.85 0.91 1.05 1.35 1.45 1.6 1.7 1.85 2.15 2.2 2.25 2.35 2.5 2.6 2.7 2.85 2.95 3.1];%机动车数（单位：万辆） sqglmj=[0.09 0.11 0.11 0.14 0.20 0.23 0.23 0.32 0.32 0.34 0.36 0.36 0.38 0.49 0.56 0.59 0.59 0.67 0.69 0.79];%公路面积 glkyl=[5126 6217 7730 9145 10460 11387 12353 15750 18304 19836 21024 19490 20433 22598 25107 33442 36836 40548 42927 43462]%公路客运量 glhyl=[1237 1379 1385 1399 1663 1714 1834 4322 8132 8936 11099 11203 10524 11115 13320 16762 18673 20724 20803 21804];%公路货运量 p=[sqrts;sqjdcs;sqglmj];%输入数据矩阵 t=[glkyl;glhyl];%目标数据矩阵 （2）对输入数据矩阵和目标矩阵的数据进行归一化处理，具体程序如下为 %利用函数premnmx对数据进行归一化处理 [pn,minp,maxp,tn,mint,maxt]=premnmx(p,t);%对输入矩阵p和t进行归一化处理 dx=[-1 1;-1 1;-1 1];%归一化处理后最小值为-1 ，最大值为1 (3)利用处理好的数据对网络进行训练，具体程序 %BP网络训练 net=newff(dx,[3,7 2],{‘tansig’,’tansig’,’purelin’},’traindx’); net.trainParam.show=1000; net.trainParam.lr=0.05; net.trainParam.goal=0.65*10^3; net.trainParam.epochs=50000; [net,tr]=train(net,pn,tn); (4)利用训练好的BP网络对原始数据进行仿真，具体程序如下： an=sim(net,pn); a=postmnmax(an,mint,maxt)%把仿真得到的数据还原为原始的数量级 (5)用原始数据仿真的结果与已知数据进行对比 x=1990:2009; newk=a(1,:); newh=a(2,:); figure(2); subplot(2,1,1); plot(x,neewk,’r-o’,xglkyl,’b--+’); legend xlabel title subplot(2,1,2);plot(x,newh,’r-o’,x,glhyl,’b--+’); (6)利用训练好的BP网络对新数据进行仿真，具体程序如下： pnew=[73.79 75.55 3.9635 4.0975 0.9880 1.0268]; pnewn=tramnmx(pnew,minp,maxp); anewn=sim(net,pnewn); anew=postmnmx(anewn,mint,maxt) 此问题也可以自己编程序实现BP神经网络预测公路运量 五．应用之例：蚊子的分类 已知的两类蚊子的数据如表1： 翼长 触角长 类别 1.78 1.14 Apf 1.96 1.18 Apf 1.86 1.20 Apf 1.72 1.24 Af