BP神經网络的设计实例.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 allclearecho onclc% 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}pauseclc% 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;pauseclc% 调用 TRAINGDM 算法训练 BP 网络[net,tr]=train(net,P,T);pauseclc% 对 BP 网络进行仿真A = sim(net,P)% 计算仿真误差E = T - AMSE=mse(E)pauseclcecho 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 allclearecho onclc% 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 offhold on;plot(P,sin(2*pi*P),:); % 绘制不含噪声的正弦曲线echo onclcpauseclc% 创建一个新的前向神经网络net=newff(minmax(P),[20,1],{tansig,purelin});pauseclcecho offclcdisp(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=init(net);  % 重新初始化  pause  clcelseif(choice==2)  echo on  clc