matlab bp神经网络设计实例.docx
《matlab bp神经网络设计实例.docx》由会员分享，可在线阅读，更多相关《matlab bp神经网络设计实例.docx（10页珍藏版）》请在冰豆网上搜索。
matlabbp神经网络设计实例
matlabbp神经网络设计实例NeuralNetworkToolbox
1BP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=[-1-231
-115-3]
目标矢量为t=[-1-111]
解：
本例的MATLAB程序如下：
closeall
clear
echoon
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,-3];
%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;
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
echooff
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’,78341223）；
T=sin（2*pi*P）+0.1*randn（size（P））；
解：
本例的MATLAB程序如下：
closeall
clear
echoon
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',78341223）;T=sin（2*pi*P）+0.1*randn（size（P））;
%绘制样本数据点
plot（P,T,'+'）;
echooff
holdon;
plot（P,sin（2*pi*P）,':
'）;
%绘制不含噪声的正弦曲线
echoon
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
echooff
clc
disp（'1.L-M优化算法TRAINLM'）;disp（'2.贝叶斯正则化算法TRAINBR'）;
choice=input（'请选择训练算法（1,2）:
'）;
figure（gcf）;
if（choice==1）
echoon
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
pause
clc
elseif（choice==2）
echoon
clc
%采用贝叶斯正则化算法TRAINBR
net.trainFcn='trainbr';
pause
clc
%设置训练参数
net.trainParam.epochs=500;
randn（'seed',192736547）;
net=init（net）;
%重新初始化
pause
clc
end
例2%调用相应算法训练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
%绘制匹配结果曲线
closeall;
plot（P,A,P,T,'+',P,sin（2*pi*P）,':
'）;
pause;
clc
echooff
通过采用两种不同的训练算法，我们可以得到如图1和图2所示的两种拟合结果。
图中的实线表示拟合曲线，虚线代表不含白噪声的正弦曲线，“＋”点为含有白噪声的正弦样本数据点。
显然，经trainlm函数训练后的神经网络对样本数据点实现了“过度匹配”，而经trainbr函数训练的神经网络对噪声不敏感，具有较好的推广能力。
值得指出的是，在利用trainbr函数训练BP网络时，若训练结果收敛，通常会给出提示信息“MaximumMUreached”。
此外，用户还可以根据SSE和SSW的大小变化情况来判断训练是否收敛：
当SSE和SSW的值在经过若干步迭代后处于恒值时，则通常说明网络训练收敛，此时可以停止训练。
观察trainbr函数训练BP网络的误差变化曲线,可见，当训练迭代至320步时，网络训练收敛，此时SSE和SSW均为恒值，当前有效网络的参数（有效权值和阈值）个数为11.7973。
例3采用“提前停止”方法提高BP网络的推广能力。
对于和例2相同的问题，在本例中我们将采用训练函数traingdx和“提前停止”相结合的方法来训练BP网络，以提高BP网络的推广能力。
解：
在利用“提前停止”方法时，首先应分别定义训练样本、验证样本或测试样本，其中，验证样本是必不可少的。
在本例中，我们只定义并使用验证样本，即有
验证样本输入矢量：
val.P=[-0.975:
.05:
0.975]
验证样本目标矢量：
val.T=sin（2*pi*val.P）+0.1*randn（size（val.P））
值得注意的是，尽管“提前停止”方法可以和任何一种BP网络训练函数一起使用，但是不适合同训练速度过快的算法联合使用，比如trainlm函数，所以本例中我们采用训练速度相对较慢的变学习速率算法traingdx函数作为训练函数。
本例的MATLAB程序如下：
closeall
clear
echoon
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',78341223）;
T=sin（2*pi*P）+0.1*randn（size（P））;
%绘制训练样本数据点
plot（P,T,'+'）;
echooff
holdon;
plot（P,sin（2*pi*P）,':
'）;%绘制不含噪声的正弦曲线
echoon
clc
pause
clc
%定义验证样本
val.P=[-0.975:
0.05:
0.975];%验证样本的输入矢量
val.T=sin（2*pi*val.P）+0.1*randn（size（val.P））;%验证样本的目标矢量
pause
clc
%创建一个新的前向神经网络
net=newff（minmax（P）,[5,1],{'tansig','purelin'},'traingdx'）;
pause
clc
%设置训练参数
net.trainParam.epochs=500;
net=init（net）;
pause
clc
%训练BP网络
[net,tr]=train（net,P,T,[],[],val）;
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
%绘制仿真拟合结果曲线
closeall;
plot（P,A,P,T,'+',P,sin（2*pi*P）,':
'）;
pause;
clc
echooff
下面给出了网络的某次训练结果，可见，当训练至第136步时，训练提前停止，此时的网络误差为0.0102565。
给出了训练后的仿真数据拟合曲线，效果是相当满意的。
[net,tr]=train（net,P,T,[],[],val）;
TRAINGDX,Epoch0/500,MSE0.504647/0,Gradient2.1201/1e-006
TRAINGDX,Epoch25/500,MSE0.163593/0,Gradient0.384793/1e-006
TRAINGDX,Epoch50/500,MSE0.130259/0,Gradient0.158209/1e-006
TRAINGDX,Epoch75/500,MSE0.086869/0,Gradient0.0883479/1e-006
TRAINGDX,Epoch100/500,MSE0.0492511/0,Gradient0.0387894/1e-006
TRAINGDX,Epoch125/500,MSE0.0110016/0,Gradient0.017242/1e-006
TRAINGDX,Epoch136/500,MSE0.0102565/0,Gradient0.01203/1e-006
TRAINGDX,Validationstop.
『预测建模与仿真』
论坛：
升级会员 