MATLAB程序代码--BP神经网络的设计实例

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]

解：本例的 MATLAB 程序如下：

close all clear echo on clc

% NEWFF——生成一个新的前向神经网络 % TRAIN——对 BP 神经网络进行训练 % SIM——对 BP 神经网络进行仿真 pause

% 敲任意键开始 clc

% 定义训练样本 % P 为输入矢量

P=[-1, -2, 3, 1; -1, 1, 5, % T 为目标矢量 T=[-1, -1, 1, 1]; pause; clc

% 创建一个新的前向神经网络

net=newff(minmax(P),[3,1],{'tansig','purelin'},'traingdm') % 当前输入层权值和阈值 inputWeights=net.IW{1,1} inputbias=net.b{1}

% 当前网络层权值和阈值 layerWeights=net.LW{2,1} layerbias=net.b{2} pause clc

% 设置训练参数

net.trainParam.show = 50; net.trainParam.lr = 0.05; net.trainParam.mc = 0.9;

-3]; bpnet=newff(pr,[12 4],{'logsig', 'logsig'}, 'traingdx', 'learngdm'); %建立BP神经网络， 12个隐层神经元，4个输出神经元 %tranferFcn属性 'logsig' 隐层采用Sigmoid传输函数 %tranferFcn属性 'logsig' 输出层采用Sigmoid传输函数 %trainFcn属性 'traingdx' 自适应调整学习速率附加动量因子梯度下降反向传播算法训练函数 %learn属性 'learngdm' 附加动量因子的梯度下降学习函数 net.trainParam.epochs=1000;%允许最大训练步数2000步 net.trainParam.goal=0.001; %训练目标最小误差0.001 net.trainParam.show=10; %每间隔100步显示一次训练结果 net.trainParam.lr=0.05; %学习速率0.05

net.trainParam.epochs = 1000; net.trainParam.goal = 1e-3; pause clc

% 调用 TRAINGDM 算法训练 BP 网络 [net,tr]=train(net,P,T); pause clc

% 对 BP 网络进行仿真 A = sim(net,P)

% 计算仿真误差 E = T - A MSE=mse(E) pause clc

echo off

例2 采用贝叶斯正则化算法提高 BP 网络的推广能力。在本例中，我们采用两种训练方法，即 L-M 优化算法（trainlm）和贝叶斯正则化算法（trainbr），用以训练 BP 网络，使其能够拟合某一附加有白噪声的正弦样本数据。其中，样本数据可以采用如下MATLAB 语句生成：

输入矢量：P = [-1:0.05:1]； 目标矢量：randn(’seed’,)；

T = sin(2*pi*P)+0.1*randn(size(P))； 解：本例的 MATLAB 程序如下：

close all clear

echo on clc

% NEWFF——生成一个新的前向神经网络 % TRAIN——对 BP 神经网络进行训练 % SIM——对 BP 神经网络进行仿真 pause

% 敲任意键开始 clc

% 定义训练样本矢量 % P 为输入矢量 P = [-1:0.05:1]; % T 为目标矢量

randn('seed',); T = sin(2*pi*P)+0.1*randn(size(P)); % 绘制样本数据点 plot(P,T,'+'); echo off hold on;

plot(P,sin(2*pi*P),':'); % 绘制不含噪声的正弦曲线 echo on clc pause clc

% 创建一个新的前向神经网络

net=newff(minmax(P),[20,1],{'tansig','purelin'}); pause clc

echo off clc

disp('1. L-M 优化算法 TRAINLM'); disp('2. choice=input('请选择训练算法(1,2):'); figure(gcf);

if(choice==1) echo on clc

% 采用 L-M 优化算法 TRAINLM net.trainFcn='trainlm'; pause clc

% 设置训练参数

net.trainParam.epochs = 500; net.trainParam.goal = 1e-6; net=init(net);

% 重新初始化

TRAINBR'); 贝叶斯正则化算法