matlab程序代碼--bp神經(jīng)網(wǎng)絡(luò)通用代碼

《matlab程序代碼--bp神經(jīng)網(wǎng)絡(luò)通用代碼》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫。

1、實(shí)用標(biāo)準(zhǔn)文案MATLAB程序代碼--bp神經(jīng)網(wǎng)絡(luò)通用代碼matlab通用神經(jīng)網(wǎng)絡(luò)代碼學(xué)習(xí)了一段時(shí)間的神經(jīng)網(wǎng)絡(luò),總結(jié)了一些經(jīng)驗(yàn),在這愿意和大家分享一下,希望對大家有幫助,也希望大家可以把其他神經(jīng)網(wǎng)絡(luò)的通用代碼在這一起分享感應(yīng)器神經(jīng)網(wǎng)絡(luò)、線性網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)網(wǎng)絡(luò)%通用感應(yīng)器神經(jīng)網(wǎng)絡(luò)。P=[-0.5-0.50.3-0.1-40;-0.50.5-0.5150];%輸入向量T=[11001];%期望輸出plotpv(P,T);%描繪輸入點(diǎn)圖像net=newp([-401;-150],1);%生成網(wǎng)絡(luò)，其中參數(shù)分別為輸入向量的范圍和神經(jīng)元感應(yīng)器數(shù)量holdonlineha

2、ndle=plotpc(net.iw{1},net.b{1});net.adaptparam.passes=3;fora=1:25%訓(xùn)練次數(shù)[net,Y,E]=adapt(net,P,T);linehandle=plotpc(net.iw{1},net.b{1},linehandle);drawnow;end%通用newlin程序%通用線性網(wǎng)絡(luò)進(jìn)行預(yù)測time=0:0.025:5;T=sin(time*4*pi);Q=length(T);P=zeros(5,Q);%P中存儲信號T的前5(可變，根據(jù)需要而定)次值，作為網(wǎng)絡(luò)輸入。精彩文檔實(shí)用標(biāo)準(zhǔn)文案P(1,2:Q)=T(1,1

3、:(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)%繪制信號T曲線xlabel('時(shí)間');ylabel('目標(biāo)信號');title('待預(yù)測信號');net=newlind(P,T);%根據(jù)輸入和期望輸出直接生成線性網(wǎng)絡(luò)a=sim(net,P);%網(wǎng)絡(luò)測試figure(2)plot(time,a,time,T,'+')xlabel('時(shí)間');ylabel('輸出-目標(biāo)+');title('輸出信號和目標(biāo)信號

4、');e=T-a;figure(3)plot(time,e)holdonplot([min(time)max(time)],[00],'r:')%可用plot(x,zeros(size(x)),'r:')代替holdoffxlabel('時(shí)間');ylabel('誤差');精彩文檔實(shí)用標(biāo)準(zhǔn)文案title('誤差信號');%通用BP神經(jīng)網(wǎng)絡(luò)P=[-1-122;0505];t=[-1-111];net=newff(minmax(P),[3,1],{'tansig','purelin'},'traingd');%輸入?yún)?shù)依次為:'樣本P范圍',[各層神經(jīng)元數(shù)目],{各層傳遞函數(shù)}

5、,'訓(xùn)練函數(shù)'%訓(xùn)練函數(shù)traingd--梯度下降法，有7個(gè)訓(xùn)練參數(shù).%訓(xùn)練函數(shù)traingdm--有動量的梯度下降法,附加1個(gè)訓(xùn)練參數(shù)mc(動量因子，缺省為0.9)%訓(xùn)練函數(shù)traingda--有自適應(yīng)lr的梯度下降法,附加3個(gè)訓(xùn)練參數(shù):lr_inc(學(xué)習(xí)率增長比，缺省為1.05;%???????????lr_dec(學(xué)習(xí)率下降比，缺省為0.7);max_perf_inc(表現(xiàn)函數(shù)增加最大比，缺省為1.04)%訓(xùn)練函數(shù)traingdx--有動量的梯度下降法中賦以自適應(yīng)lr的方法，附加traingdm和traingda的4個(gè)附加參數(shù)%訓(xùn)練函數(shù)trainrp--彈性梯度下降法

6、,可以消除輸入數(shù)值很大或很小時(shí)的誤差，附加4個(gè)訓(xùn)練參數(shù):%????????delt_inc(權(quán)值變化增加量，缺省為1.2);delt_dec(權(quán)值變化減小量，缺省為0.5);%????????delta0(初始權(quán)值變化，缺省為0.07);deltamax(權(quán)值變化最大值,缺省為50.0)%????????適合大型網(wǎng)絡(luò)%訓(xùn)練函數(shù)traincgf--Fletcher-Reeves共軛梯度法;訓(xùn)練函數(shù)traincgp--Polak-Ribiere共軛梯度法;%訓(xùn)練函數(shù)traincgb--Powell-Beale共軛梯度法%共軛梯度法占用存儲空間小,附加1訓(xùn)練參數(shù)searchFcn

7、(一維線性搜索方法,缺省為srchcha);缺少1個(gè)訓(xùn)練參數(shù)lr%訓(xùn)練函數(shù)trainscg--量化共軛梯度法,與其他共軛梯度法相比，節(jié)約時(shí)間.適合大型網(wǎng)絡(luò)???????????%????????附加2個(gè)訓(xùn)練參數(shù):sigma(因?yàn)槎吻髮?dǎo)對權(quán)值調(diào)整的影響參數(shù)，缺省為5.0e-5);%??????????????????lambda(Hessian陣不確定性調(diào)節(jié)參數(shù)，缺省為5.0e-7)%????????缺少1個(gè)訓(xùn)練參數(shù):lr精彩文檔實(shí)用標(biāo)準(zhǔn)文案%訓(xùn)練函數(shù)trainbfg--BFGS擬牛頓回退法,收斂速度快,但需要更多