BP神经网络Matlab实例2.docx

变量mu确定了学习是根据牛顿法还是梯度法来完成，下式为更新参数的L-M规则：? ?%? ?? ?jj = jX * jX%? ?? ?je = jX * E%? ?? ?dX = -(jj+I*mu) \ je随着mu的增大，LM的项jj可以忽略。因此学习过程主要根据梯度下降即mu/je项，只要迭代使误差增加，mu也就会增加，直到误差不再增加为止，但是，如果mu太大，则会使学习停止，当已经找到最小误差时，就会出现这种情况，这就是为什么当mu达到最大值时要停止学习的原因。mu为u的初始值，默认为0.001mu_dec为u的减小率，默认为0.1mu_inc为u的增长率，默认为10mu_max为u的最大值，默认为1e10BP神经网络Matlab实例（1）采用Matlab工具箱函数建立神经网络，对一些基本的神经网络参数进行了说明，深入了解参考Matlab帮助文档。% 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]?close all??clear??clc?% ---------------------------------------------------------------% NEWFF——生成一个新的前向神经网络,函数格式：% net = newff(PR,[S1 S2...SNl],{TF1 TF2...TFNl},BTF,BLF,PF) takes,% PR -- R x 2 matrix of min and max values for R input elements% （对于R维输入，PR是一个R x 2 的矩阵，每一行是相应输入的边界值）% Si -- 第i层的维数% TFi -- 第i层的传递函数, default = tansig% BTF -- 反向传播网络的训练函数, default = traingdx% BLF -- 反向传播网络的权值/阈值学习函数, default = learngdm% PF -- 性能函数, default = mse% ---------------------------------------------------------------% TRAIN——对 BP 神经网络进行训练，函数格式：%??train(NET,P,T,Pi,Ai,VV,TV)，输入参数：% net -- 所建立的网络% P -- 网络的输入% T -- 网络的目标值, default = zeros% Pi -- 初始输入延迟, default = zeros% Ai -- 初始网络层延迟, default = zeros% VV -- 验证向量的结构, default = []% TV -- 测试向量的结构, default = []% 返回值：% net -- 训练之后的网络% TR -- 训练记录(训练次数及每次训练的误差)% Y -- 网络输出% E -- 网络误差% Pf -- 最终输入延迟% Af -- 最终网络层延迟% ---------------------------------------------------------------% SIM——对 BP 神经网络进行仿真，函数格式：% [Y,Pf,Af,E,perf] = sim(net,P,PiAi,T)% 参数与前同。% ---------------------------------------------------------------%?%??定义训练样本??% P 为输入矢量?echo onP=[-1,??-2,????3,????1;????-1,????1,????5,??-3];?% T 为目标矢量??T=[-1, -1, 1, 1];??%??创建一个新的前向神经网络??net=newff(minmax(P),[3,1],{tansig,purelin},traingdm)?% ---------------------------------------------------------------% 训练函数：traingdm，功能：以动量BP算法修正神经网络的权值和阈值。% 它的相关特性包括：% epochs：训练的次数，默认：100% goal：误差性能目标值，默认：0% lr：学习率，默认：0.01% max_fail：确认样本进行仿真时，最大的失败次数，默认：5% mc：动量因子，默认：0.9% min_grad：最小梯度值，默认：1e-10% show：显示的间隔次数，默认：25% time：训练的最