MATLAB程序代碼--BP神經(jīng)網(wǎng)絡(luò)地設(shè)計(jì)實(shí)例

《MATLAB程序代碼--BP神經(jīng)網(wǎng)絡(luò)地設(shè)計(jì)實(shí)例》由會(huì)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(kù)。

1、實(shí)用標(biāo)準(zhǔn)文案MATLAB程序代碼--BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)實(shí)例例1采用動(dòng)量梯度下降算法訓(xùn)練BP網(wǎng)絡(luò)。訓(xùn)練樣本定義如下：輸入矢量為p=[-1-231-115-3]目標(biāo)矢量為t=[-1-111]解：本例的MATLAB程序如下：closeallclearechoonclc%NEWFF——生成一個(gè)新的前向神經(jīng)網(wǎng)絡(luò)%TRAIN——對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練%SIM——對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真pause%敲任意鍵開始clc%定義訓(xùn)練樣本%P為輸入矢量P=[-1,-2,3,1;-1,1,5,-3];%T為目標(biāo)矢量T=[-1,-1,1,1];pause;clc%創(chuàng)建一個(gè)新的前向神經(jīng)網(wǎng)絡(luò)

2、net=newff(minmax(P),[3,1],{'tansig','purelin'},'traingdm')%當(dāng)前輸入層權(quán)值和閾值inputWeights=net.IW{1,1}inputbias=net.b{1}%當(dāng)前網(wǎng)絡(luò)層權(quán)值和閾值layerWeights=net.LW{2,1}layerbias=net.b{2}pauseclc%設(shè)置訓(xùn)練參數(shù)net.trainParam.show=50;net.trainParam.lr=0.05;net.trainParam.mc=0.9;文檔大全實(shí)用標(biāo)準(zhǔn)文案bpnet=newff(pr,[124],{'log

3、sig','logsig'},'traingdx','learngdm');%建立BP神經(jīng)網(wǎng)絡(luò)，12個(gè)隱層神經(jīng)元，4個(gè)輸出神經(jīng)元%tranferFcn屬性'logsig'隱層采用Sigmoid傳輸函數(shù)%tranferFcn屬性'logsig'輸出層采用Sigmoid傳輸函數(shù)%trainFcn屬性'traingdx'自適應(yīng)調(diào)整學(xué)習(xí)速率附加動(dòng)量因子梯度下降反向傳播算法訓(xùn)練函數(shù)%learn屬性'learngdm'附加動(dòng)量因子的梯度下降學(xué)習(xí)函數(shù)net.trainParam.epochs=1000;%允許最大訓(xùn)練步數(shù)2000步net.trainParam.goal=0.

4、001;%訓(xùn)練目標(biāo)最小誤差0.001net.trainParam.show=10;%每間隔100步顯示一次訓(xùn)練結(jié)果net.trainParam.lr=0.05;%學(xué)習(xí)速率0.05net.trainParam.epochs=1000;net.trainParam.goal=1e-3;pauseclc%調(diào)用TRAINGDM算法訓(xùn)練BP網(wǎng)絡(luò)[net,tr]=train(net,P,T);pauseclc%對(duì)BP網(wǎng)絡(luò)進(jìn)行仿真A=sim(net,P)%計(jì)算仿真誤差E=T-AMSE=mse(E)pauseclcechooff例2采用貝葉斯正則化算法提高BP網(wǎng)絡(luò)的推廣能力。

5、在本例中，我們采用兩種訓(xùn)練方法，即L-M優(yōu)化算法（trainlm）和貝葉斯正則化算法（trainbr），用以訓(xùn)練BP網(wǎng)絡(luò)，使其能夠擬合某一附加有白噪聲的正弦樣本數(shù)據(jù)。其中，樣本數(shù)據(jù)可以采用如下MATLAB語(yǔ)句生成：輸入矢量：P=[-1:0.05:1]；目標(biāo)矢量：randn(’seed’,78341223)；T=sin(2*pi*P)+0.1*randn(size(P))；解：本例的MATLAB程序如下：closeallclear文檔大全實(shí)用標(biāo)準(zhǔn)文案echoonclc%NEWFF——生成一個(gè)新的前向神經(jīng)網(wǎng)絡(luò)%TRAIN——對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練%SIM——對(duì)BP

6、神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真pause%敲任意鍵開始clc%定義訓(xùn)練樣本矢量%P為輸入矢量P=[-1:0.05:1];%T為目標(biāo)矢量randn('seed',78341223);T=sin(2*pi*P)+0.1*randn(size(P));%繪制樣本數(shù)據(jù)點(diǎn)plot(P,T,'+');echooffholdon;plot(P,sin(2*pi*P),':');%繪制不含噪聲的正弦曲線echoonclcpauseclc%創(chuàng)建一個(gè)新的前向神經(jīng)網(wǎng)絡(luò)net=newff(minmax(P),[20,1],{'tansig','purelin'});pauseclcechooffc

7、lcdisp('1.L-M優(yōu)化算法TRAINLM');disp('2.貝葉斯正則化算法TRAINBR');choice=input('請(qǐng)選擇訓(xùn)練算法(1,2):');figure(gcf);if(choice==1)echoonclc%采用L-M優(yōu)化算法TRAINLMnet.trainFcn='trainlm';pauseclc%設(shè)置訓(xùn)練參數(shù)net.trainParam.epochs=500;net.trainParam.goal=1e-6;net=init(net);%重新初始化文檔大全實(shí)用標(biāo)準(zhǔn)文案pauseclcelseif(choice==2)echoo

8、nclc%采用貝葉斯正則化算法TRAI