BP-神经网络实例(共6页).doc

《BP-神经网络实例(共6页).doc》由会员分享，可在线阅读，更多相关《BP-神经网络实例(共6页).doc（6页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、精选优质文档-倾情为你奉上运用Matlab创建BP神经网络（R2010b）BP神经网络属于前向网络以下为创建BP神经网络的方法及参数意义（1）net=newff（P,T,S）或者net = newff(P,T,S,TF,BTF,BLF,PF,IPF,OPF,DDF)P：输入参数矩阵。(RxQ1)T：目标参数矩阵。(SNxQ2)S：N-1个隐含层的数目（S（i）到S（N-1），输出层的单元数目取决于T，默认为空矩阵。TF：相关层的传递函数，默认隐含层为tansig函数，输出层为purelin函数。BTF：BP神经网络学习训练函数，默认值为trainlm函数。BLF：权重学习函数，默认值为lear

2、ngdm。PF：性能函数，默认值为mse。IPF，OPF，DDF均为默认值即可。（2）传递函数purelin线性传递函数tansig正切S型传递函数logsig对数S型传递函数隐含层和输出层函数的选择对BP神经网络预测精度有较大影响，一般隐含层节点转移函数选用tansig函数或logsig函数，输出层节点转移函数选用tansig函数或purelin函数。（3）学习训练函数神经网络的学习分为有导师学习和无导师学习。最速下降BP算法：traingd动量BP算法：traingdm学习率可变的BP算法：trainda（学习率可变的最速下降BP算法）；traindx（学习率可变的动量BP算法）弹性算法：

3、trainrp变梯度算法：traincgf（Fletcher-Reeves修正算法）traincgp（Polak_Ribiere修正算法）traincgb（Powell-Beale复位算法）trainbfg（BFGS拟牛顿算法）trainoss（OSS算法）trainlm（LM算法）参数说明：通过net.trainParam可以查看参数Show Training Window Feedback showWindow: trueShow Command Line Feedback showCommandLine: falseCommand Line Frequency show:两次显示之间的训

4、练次数Maximum Epochs epochs:训练次数Maximum Training Time time:最长训练时间（秒）Performance Goal goal:网络性能目标Minimum Gradient min_grad:性能函数最小梯度Maximum Validation Checks max_fail:最大验证失败次数Learning Rate lr:学习速率Learning Rate Increase lr_inc:学习速率增长值Learning Rate lr_dec:学习速率下降值Maximum Performance Increase max_perf_inc:Mo

5、mentum Constant mc:动量因子（4）BP神经网络预测函数SimOut = sim(model,Parameters) & y=sim(net,x)函数功能：用训练好的BP神经网络预测函数输出net：训练好的网络x：输入数据y：网络预测数据(5)训练函数net,tr = train(Net,P,T,Pi,Ai)其中，Net待训练的网络P输入数据矩阵T输出数据矩阵(default = zeros)Pi初始化输入层条件(default = zeros)Ai初始化输出层条件(default = zeros)net训练好的网络tr训练过程记录注意：P Ni-by-TS cell arra

6、y Each element Pi,j,ts is anNi-by-Qmatrix.T Nl-by-TS cell array Each element Ti,ts is aUi-by-Qmatrix.BP网络的常用函数表函数类型函数名称函数用途前向网络创建函数newcf创建级联前向网络Newff创建前向BP网络传递函数logsigS型的对数函数tansigS型的正切函数purelin纯线性函数学习函数learngd基于梯度下降法的学习函数learngdm梯度下降动量学习函数性能函数mse均方误差函数msereg均方误差规范化函数显示函数plotperf绘制网络的性能plotes绘制一个单独神

7、经元的误差曲面plotep绘制权值和阈值在误差曲面上的位置errsurf计算单个神经元的误差曲面范例现给出一药品商店一年当中12个月的药品销售量（单位：箱）如下：2056 2395 2600 2298 1634 1600 1873 1487 1900 1500 2046 1556训练一个BP网络，用当前的所有数据预测下一个月的药品销售量。我们用前三个月的销售量预测下一个月的销售量，也就是用1-3月的销售量预测第4个月的销售量，用2-4个月的销售量预测第5个月的销售量，如此循环下去，直到用9-11月预测12月份的销售量。这样训练BP神经网络后，就可以用10-12月的数据预测来年一月的销售量。实现

8、程序如下：P =2056 2395 2600;2395 2600 2298;2600 2298 1634;2298 1634 1600;.1634 1600 1873;1600 1873 1478;1873 1478 1900;1478 1900 1500;.1900 1500 2046;T = 2298 1634 1600 1873 1487 1900 1500 2046 1556;pmax = max(P);pmax1 = max(pmax);pmin = min(P);pmin1 = min(pmin);for i=1:9P1(i,:)=(P(i,:)-pmin1)/(pmax1-pmi

9、n1);T1(i)=(T(i)-pmin1)/(pmax1-pmin1);endnet = newff(P1,T1,3 7,tansig logsig,traingd);for i = 1:9net.trainParam.epochs = 15000;net.trainParam.goal=0.01;net.trainParam.lr = 0.1net = train(net,P1(i,:),T1(i);endy=sim(net,1500 2046 1556);y1=y*(pmax1-pmin1)+pmin1;如果神经网络的训练函数使用trainlm，则仿真步骤会很少，但需要较大的系统内存。经预测，来年一月的销售量（y1）为1.6845e+003箱（每次运行后的结果可能不同）。专心-专注-专业