BP神经网络matlab实例简单而经典.docxVIP

p=p1;t=t1; [pn,minp,maxp,tn,mint,maxt]=premnmx(p,t); % 原始数据归一化 |精. |品. |可. |编. |辑. |学. |习. |资. |料. * | * | * | * | |欢. |迎. |下. |载. net=newff(minmax(pn),[5,1],{tansig,purelin},traingdx); %设置网络 ,建立相应的 BP 网络 net.trainParam.show=2000; % 训练网络net.trainParam.lr=0.01; net.trainParam.epochs=100000; net.trainParam.goal=1e-5; [net,tr]=train(net ,pn,tn); %调用 TRAINGDM 算法训练 BP 网络 pnew=pnew1; pnewn=tramnmx(pnew,minp,maxp); anewn=sim(net,pnewn); %对 BP 网络进行仿真 anew=postmnmx(anewn,mint,maxt); %仍原数据y=anew; 1、BP 网络构建 （1）生成 BP 网络 net newff ( PR,[ S1 S2...SNl ],{ TF1 TF 2...TFNl }, BTF , BLF , PF ) PR：由 R维的输入样本最小最大值构成的 R 2 维矩阵； [ S1 S 2...SNl] ：各层的神经元个数； {TF 1 TF 2...TFNl } ：各层的神经元传递函数； BTF BTF ：训练用函数的名称； （2）网络训练 [ net,tr ,Y , E, Pf , Af ] train (net, P,T , Pi, Ai ,VV , TV ) （3）网络仿真 [Y, Pf , Af , E, perf ] sim(net, P, Pi, Ai,T ) {tansig,purelin},trainrp BP 网络的训练函数训练方法 梯度下降法 有动量的梯度下降法自适应 lr 梯度下降法 自适应 lr 动量梯度下降法弹性梯度下降法 Fletcher-Reeves 共轭梯度法 Ploak-Ribiere 共轭梯度法 训练函数 traingd traingdm traingda traingdx trainrp traincgf traincgp Powell-Beale 共轭梯度法 traincgb 量化共轭梯度法 trainscg 拟牛顿算法 trainbfg 一步正割算法 trainoss Levenberg-Marquardt trainlm |精. |品. |可. |编. |辑. |学. |习. |资. |料. * | * | * | * | |欢. |迎. |下. |载. BP 网络训练参数 训练参数 参数介绍 训练函数 net.trainParam.epochs 最大训练次数（缺省为 10） traingd 、traingdm 、traingda 、 traingdx 、trainrp 、 traincgf、traincgp 、traincgb 、trainscg、trainbfg 、trainoss、trainlm net.trainParam.goal 训练要求精度（缺省为 0） traingd 、traingdm 、traingda 、 traingdx 、trainrp 、 traincgf、traincgp 、traincgb 、trainscg、trainbfg 、trainoss、trainlm net.trainParam.lr 学习率（缺省为 0.01 ） traingd 、traingdm 、traingda 、 traingdx 、trainrp 、 traincgf、traincgp 、traincgb 、trainscg、trainbfg 、trainoss、trainlm net.trainParam.max_fail 最大失败次数（缺省为 5） traingd 、traingdm 、traingda 、 traingdx 、trainrp 、 traincgf、traincgp 、traincgb 、trainscg、trainbfg 、trainoss、trainlm net.trainParam.min_grad 最 小 梯 度 要 求 （ 缺 省 为 1e-10） net.trainParam.show 显示训练迭代过程（ NaN 表示不显示，缺省为 25） traingd 、traingdm 、traingda 、traingdx 、trainrp 、 traincgf、trai