2022年完整word版,MATLAB程序代码--bp神经网络通用代码 .pdf

《2022年完整word版,MATLAB程序代码--bp神经网络通用代码 .pdf》由会员分享，可在线阅读，更多相关《2022年完整word版,MATLAB程序代码--bp神经网络通用代码 .pdf（9页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、MATLAB 程序代码 -bp 神经网络通用代码matlab通用 神经网络代码学习了一段时间的神经网络,总结了一些经验 ,在这愿意和大家分享一下, 希望对大家有帮助,也希望大家可以把其他神经网络的通用代码在这一起分享感应器神经网络、线性网络、BP 神经网络、径向基函数网络%通用感应器神经网络。P=-0.5 -0.5 0.3 -0.1 -40;-0.5 0.5 -0.5 1 50;%输入向量T=1 1 0 0 1;%期望输出plotpv(P,T);% 描绘输入点图像net=newp(-40 1;-1 50,1);%生成网络，其中参数分别为输入向量的范围和神经元感应器数量hold on lineh

2、andle=plotpc(net.iw1,net.b1); net.adaptparam.passes=3; for a=1:25% 训练次数net,Y,E=adapt(net,P,T); linehandle=plotpc(net.iw1,net.b1,linehandle); drawnow; end %通用 newlin 程序%通用线性网络进行预测time=0:0.025:5; T=sin(time*4*pi); Q=length(T); P=zeros(5,Q);%P中存储信号T 的前 5(可变，根据需要而定)次值，作为网络输入。名师资料总结 - - -精品资料欢迎下载 - - - -

3、 - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 1 页，共 9 页 - - - - - - - - - P(1,2:Q)=T(1,1:(Q-1); P(2,3:Q)=T(1,1:(Q-2); P(3,4:Q)=T(1,1:(Q-3); P(4,5:Q)=T(1,1:(Q-4); P(5,6:Q)=T(1,1:(Q-5); plot(time,T)% 绘制信号 T 曲线xlabel( 时间 ); ylabel( 目标信号 ); title( 待预测信号 ); net=newlind(P,T);%根据输入和期望输出直接生成线性网络a=sim(

4、net,P);% 网络测试figure(2) plot(time,a,time,T,+) xlabel( 时间 ); ylabel( 输出 -目标 +); title( 输出信号和目标信号); e=T-a; figure(3) plot(time,e) hold on plot(min(time) max(time),0 0,r:)%可用 plot(x,zeros(size(x),r:)代替hold off xlabel( 时间 ); ylabel( 误差 ); 名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 -

5、- - - - - - 第 2 页，共 9 页 - - - - - - - - - title( 误差信号 ); %通用 BP 神经网络P=-1 -1 2 2;0 5 0 5; t=-1 -1 1 1; net=newff(minmax(P),3,1,tansig,purelin,traingd); %输入参数依次为 :样本 P 范围 ,各层神经元数目,各层传递函数 ,训练函数 %训练函数 traingd- 梯度下降法，有7 个训练参数 . %训练函数 traingdm- 有动量的梯度下降法,附加 1 个训练参数mc(动量因子，缺省为0.9) %训练函数 traingda- 有自适应 lr 的

6、梯度下降法 ,附加 3 个训练参数 :lr_inc( 学习率增长比， 缺省为 1.05; % lr_dec( 学习率下降比， 缺省为 0.7);max_perf_inc(表现函数增加最大比， 缺省为 1.04) %训练函数 traingdx- 有动量的梯度下降法中赋以自适应lr 的方法，附加traingdm 和 traingda 的 4个附加参数%训练函数 trainrp- 弹性梯度下降法,可以消除输入数值很大或很小时的误差，附加4 个训练参数 : % delt_inc( 权值变化增加量，缺省为1.2);delt_dec( 权值变化减小量，缺省为0.5); % delta0( 初始权值变化，缺

7、省为0.07);deltamax( 权值变化最大值 ,缺省为 50.0) % 适合大型网络%训练函数 traincgf-Fletcher-Reeves共轭梯度法 ;训练函数 traincgp-Polak-Ribiere共轭梯度法 ; %训练函数 traincgb-Powell-Beale共轭梯度法%共轭梯度法占用存储空间小,附加 1 训练参数 searchFcn( 一维线性搜索方法,缺省为 srchcha); 缺少 1个训练参数 lr %训练函数 trainscg- 量化共轭梯度法,与其他共轭梯度法相比，节约时间.适合大型网络% 附加 2 个训练参数 :sigma( 因为二次求导对权值调整的影

8、响参数，缺省为5.0e-5); % lambda(Hessian阵不确定性调节参数，缺省为5.0e-7) % 缺少 1 个训练参数 :lr 名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 3 页，共 9 页 - - - - - - - - - %训练函数 trainbfg-BFGS拟牛顿回退法 ,收敛速度快 ,但需要更多内存,与共轭梯度法训练参数相同,适合小网络%训练函数 trainoss- 一步正割的 BP 训练法 ,解决了 BFGS 消耗内存的问题 ,与共轭梯度法训练参数相同%训

9、练函数 trainlm-Levenberg-Marquardt训练法 ,用于内存充足的中小型网络net=init(net); net.trainparam.epochs=300; %最大训练次数 (前缺省为 10, 自 trainrp 后，缺省为100) net.trainparam.lr=0.05; %学习率 (缺省为 0.01) net.trainparam.show=50; %限时训练迭代过程(NaN 表示不显示，缺省为25) net.trainparam.goal=1e-5; %训练要求精度 (缺省为 0) %net.trainparam.max_fail 最大失败次数 (缺省为 5)

10、 %net.trainparam.min_grad 最小梯度要求 (前缺省为 1e-10 ，自 trainrp 后，缺省为1e-6) %net.trainparam.time 最大训练时间 (缺省为 inf) net,tr=train(net,P,t); %网络训练a=sim(net,P) %网络仿真%通用径向基函数网络%其在逼近能力 ,分类能力 ,学习速度方面均优于BP 神经网络%在径向基网络中 ,径向基层的散步常数是spread 的选取是关键%spread 越大 ,需要的神经元越少,但精度会相应下降,spread 的缺省值为1 %可以通过 net=newrbe(P,T,spread)生成网

11、络 ,且误差为 0 %可以通过 net=newrb(P,T,goal,spread)生成网络 ,神经元由 1 开始增加 ,直到达到训练精度或神经元数目最多为止%GRNN 网络 ,迅速生成广义回归神经网络(GRNN) P=4 5 6; T=1.5 3.6 6.7; 名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 4 页，共 9 页 - - - - - - - - - net=newgrnn(P,T); %仿真验证p=4.5; v=sim(net,p) %PNN 网络 ,概率神经网络P=

12、0 0 ;1 1;0 3;1 4;3 1;4 1;4 3; Tc=1 1 2 2 3 3 3; %将期望输出通过ind2vec() 转换 ,并设计、验证网络T=ind2vec(Tc); net=newpnn(P,T); Y=sim(net,P); Yc=vec2ind(Y) %尝试用其他的输入向量验证网络P2=1 4;0 1;5 2; Y=sim(net,P2); Yc=vec2ind(Y) %应用 newrb() 函数构建径向基网络,对一系列数据点进行函数逼近P=-1:0.1:1; T=-0.9602 -0.5770 -0.0729 0.3771 0.6405 0.6600 0.4609.

13、0.1336 -0.2013 -0.4344 -0.500 -0.3930 -0.1647 -0.0988. 0.3072 0.3960 0.3449 0.1816 -0.0312 -0.2189 -0.3201; %绘制训练用样本的数据点plot(P,T,r*); title( 训练样本 ); 名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 5 页，共 9 页 - - - - - - - - - xlabel( 输入向量 P); ylabel( 目标向量 T); %设计一个径向基函

14、数网络，网络有两层,隐层为径向基神经元,输出层为线性神经元%绘制隐层神经元径向基传递函数的曲线p=-3:.1:3; a=radbas(p); plot(p,a) title( 径向基传递函数 ) xlabel( 输入向量 p) %隐层神经元的权值、阈值与径向基函数的位置和宽度有关,只要隐层神经元数目、权值、阈值正确,可逼近任意函数%例如a2=radbas(p-1.5); a3=radbas(p+2); a4=a+a2*1.5+a3*0.5; plot(p,a,b,p,a2,g,p,a3,r,p,a4,m-) title( 径向基传递函数权值之和) xlabel( 输入 p); ylabel(

15、输出 a); %应用 newrb() 函数构建径向基网络的时候,可以预先设定均方差精度eg 以及散布常数sc eg=0.02; sc=1; %其值的选取与最终网络的效果有很大关系,过小造成过适性,过大造成重叠性net=newrb(P,T,eg,sc); %网络测试名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 6 页，共 9 页 - - - - - - - - - plot(P,T,*) xlabel( 输入 ); X=-1:.01:1; Y=sim(net,X); hold on

16、plot(X,Y); hold off legend( 目标 ,输出 ) %应用 grnn 进行函数逼近P=1 2 3 4 5 6 7 8; T=0 1 2 3 2 1 2 1; plot(P,T,.,markersize,30) axis(0 9 -1 4) title( 待逼近函数 ) xlabel(P) ylabel(T) %网络设计%对于离散数据点 ,散布常数 spread 选取比输入向量之间的距离稍小一些spread=0.7; net=newgrnn(P,T,spread); %网络测试A=sim(net,P); hold on outputline=plot(P,A,o,marke

17、rsize,10,color,1 0 0); 名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 7 页，共 9 页 - - - - - - - - - title( 检测网络 ) xlabel(P) ylabel(T 和 A) %应用 pnn 进行变量的分类P=1 2;2 2;1 1; %输入向量Tc=1 2 3; %P 对应的三个期望输出%绘制出输入向量及其相对应的类别plot(P(1,:),P(2,:),.,markersize,30) for i=1:3 text(P(1,i)+

18、0.1,P(2,i),sprintf(class %g,Tc(i) end axis(0 3 0 3); title( 三向量及其类别 ) xlabel(P(1,:) ylabel(P(2,:) %网络设计T=ind2vec(Tc); spread=1; net=newgrnn(P,T,speard); %网络测试A=sim(net,P); Ac=vec2ind(A); %绘制输入向量及其相应的网络输出plot(P(1,:),P(2,:),.,markersize,30) 名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 8 页，共 9 页 - - - - - - - - - for i=1:3 text(P(1,i)+0.1,P(2,i),sprintf(class %g,Ac(i) end axis(0 3 0 3); title( 网络测试结果 ) xlabel(P(1,:) ylabel(P(2,:) 名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 9 页，共 9 页 - - - - - - - - -