BP神经网络的设计实例MATLAB编程Word格式文档下载.docx
《BP神经网络的设计实例MATLAB编程Word格式文档下载.docx》由会员分享，可在线阅读，更多相关《BP神经网络的设计实例MATLAB编程Word格式文档下载.docx（11页珍藏版）》请在冰豆网上搜索。
%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
%定义训练样本
P=[-1,-2,3,1;
-1,1,5,-3];
%P为输入矢量
T=[-1,-1,1,1];
%T为目标矢量
pause;
%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}
%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;
%调用TRAINGDM算法训练BP网络
[net,tr]=train（net,P,T）;
%对BP网络进行仿真
A=sim（net,P）
%计算仿真误差
E=T-A
MSE=mse（E）
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））；
%TRAIN——对BP神经网络进行训练
%定义训练样本矢量
%P为输入矢量
1];
randn（'
seed'
78341223）;
T=sin（2*pi*P）+0.1*randn（size（P））;
%绘制样本数据点
plot（P,T,'
+'
）;
holdon;
plot（P,sin（2*pi*P）,'
:
'
%绘制不含噪声的正弦曲线
net=newff（minmax（P）,[20,1],{'
}）;
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）
%采用L-M优化算法TRAINLM
net.trainFcn='
trainlm'
;
net.trainParam.epochs=500;
net.trainParam.goal=1e-6;
net=init（net）;
%重新初始化
elseif（choice==2）
%采用贝叶斯正则化算法TRAINBR
trainbr'
192736547）;
net=init（net）;
end
%调用相应算法训练BP网络
A=sim（net,P）;
E=T-A;
%绘制匹配结果曲线
closeall;
plot（P,A,P,T,'
P,sin（2*pi*P）,'
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。
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。
T=sin（2*pi*P）+0.1*randn（size（P））;
%绘制训练样本数据点
%绘制不含噪声的正弦曲线
%定义验证样本
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
net=newff（minmax（P）,[5,1],{'
traingdx'
%训练BP网络
[net,tr]=train（net,P,T,[],[],val）;
%绘制仿真拟合结果曲线
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。
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.
例3用BP网络估计胆固醇含量
这是一个将神经网络用于医疗应用的例子。
我们设计一个器械，用于从血样的光谱组成的测量中得到血清的
胆固醇含量级别，我们有261个病人的血样值，包括21种波长的谱线的数据，对于这些病人，我们得到了基于光谱分类的胆固醇含量级别hdl,ldl,vldl。
（1）样本数据的定义与预处理。
choles_all.mat文件中存储了网络训练所需要的全部样本数据。
利用load
升级会员 