原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
查看更多
BP神经网络训练及其仿真结果
一．在matlab中输入以下的编程函数，以此来进行BP神经网络训练
clear
%数据输入
liu_p=[370 503 434 575 490 420 560 640 558 343 326 405 446 423 422 697 598 377 435 472 451 667 601 689 541 485 425 389 382 707 422];
liu_t=[515 713 586 753 720 567 717 987 810 489 453 589 639 568 595 982 849 519 615 652 599 941 893 999 758 701 630 561 520 1040 535];
%归一化处理
p=(liu_p-min(liu_p))/(max(liu_p)-min(liu_p));
t=(liu_t-min(liu_t))/(max(liu_t)-min(liu_t));
%数据输入2：网络有关参数
EPOCHS=10000;
GOAL=0.000005;
%建立bp神经网络，并训练，仿真。其中输入为p，输出为t
%-------------------------隐层神经元确定-----------------------------
s=3:15; %s 为常向量，表示神经元的个数
res=zeros(size(s)); %res将要存储误差向量，这里先置零
pn=[p(1:5);p(6:10);p(11:15);p(16:20)];
tn=[t(1:5);t(6:10);t(11:15);t(16:20)];
for i=1:length(s)
net=newff(minmax(pn),[s(i),4],{tansig,purelin},trainlm); % trainlm 拉凡格氏法
net.iw{1,1}=zeros(size(net.iw{1,1}))+0.5;
net.lw{2,1}=zeros(size(net.lw{2,1}))+0.75;
net.b{1,1}=zeros(size(net.b{1,1}))+0.5;
net.b{2,1}=zeros(size(net.b{2,1}));
net.trainParam.epochs=EPOCHS;
net.trainParam.goal =GOAL;
net=train(net,pn,tn);
y=sim(net,pn);
e=tn-y;
error=mse(e,net);
res(i)=norm(error);
end
%选取最优神经元数，number为使得误差最小的隐层神经元个数
number=find(res==min(res));
if(length(number)1) no=number(1)
else no=number
end
clear error，res
%选定隐层神经元数目后，建立网络，训练仿真。
net=newff(minmax(pn),[no,4],{tansig,purelin},trainlm);
net.iw{1,1}=zeros(size(net.iw{1,1}))+0.5;
net.lw{2,1}=zeros(size(net.lw{2,1}))+0.75;
net.b{1,1}=zeros(size(net.b{1,1}))+0.5;
net.b{2,1}=zeros(size(net.b{2,1}));
net.trainParam.epochs=EPOCHS;
net.trainParam.goal =GOAL;
net=train(net,pn,tn);
y=sim(net,pn);
e=tn-y;
error=mse(e,net); %error为网络的误差向量
r=norm(error); %r为网络的整体误差
save net %保存最好的网络
%预测
input=[p(11:15);p(16:20);p(21:25);p(26:30)];
yuce=sim(net,input);
%结果反归一化
y1=[y(1,:) y(2,:) y(3,:) y(4,:)];
yuce1=[yuce(1,:) yuce(2,:) yuce
文档评论（0）