人工神经网络Matlab实现代码.docx
《人工神经网络Matlab实现代码.docx》由会员分享，可在线阅读，更多相关《人工神经网络Matlab实现代码.docx（4页珍藏版）》请在冰豆网上搜索。
以下是用Matlab中的m语言编写的BP神经网络代码，实现的是一个正弦函数的拟合过程，包括了初始化、BP算法、绘制曲线等过程，可以将代码放到一个M文件中运行，以下是代码：
defaultpoints=20;%%%%%%%%%隐含层节点数
inputpoints=1;%%%%%%%%%输入层节点数
outputpoints=1;%%%%%%%%%输出层节点数
Testerror=zeros（1,100）;%%%%每个测试点的误差记录
a=zeros（1,inputpoints）;%%%%输入层节点值
y=zeros（1,outputpoints）;%%%样本节点输出值
w=zeros（inputpoints,defaultpoints）;%%%%%输入层和隐含层权值
%初始化权重很重要，比如用rand函数初始化则效果非常不确定，不如用zeros初始化
v=zeros（defaultpoints,outputpoints）;%%%%隐含层和输出层权值
bin=rand（1,defaultpoints）;%%%%%隐含层输入
bout=rand（1,defaultpoints）;%%%%隐含层输出
base1=0*ones（1,defaultpoints）;%隐含层阈值，初始化为0
cin=rand（1,outputpoints）;%%%%%%输出层输入
cout=rand（1,outputpoints）;%%%%%输出层输出
base2=0*rand（1,outputpoints）;%%输出层阈值
error=zeros（1,outputpoints）;%%%拟合误差
errors=0;error_sum=0;%%%误差累加和
error_rate_cin=rand（defaultpoints,outputpoints）;%%误差对输出层节点权值的导数
error_rate_bin=rand（inputpoints,defaultpoints）;%%%误差对输入层节点权值的导数
alfa=0.5;%%%%alfa是隐含层和输出层权值-误差变化率的系数，影响很大
belt=0.5;%%%%belt是隐含层和输入层权值-误差变化率的系数，影响较小
gama=5;%%%%gama是误差放大倍数，可以影响跟随速度和拟合精度,当gama大于2时误差变大，容易震荡
%%%%规律100个隐含节点，当alfa*gama=1.5时，效果好，其他值误差变大，belt基本不影响效果
%%%%规律200个隐含节点，当alfa*gama=0.7时，效果好，其他值误差变大，belt基本不影响效果，最小误差和100个隐含点一样
%%%%规律50个隐含节点，当alfa*gama=3时，效果好，其他值误差变大，belt基本不影响效果，最小误差和100个隐含点一样
trainingROUND=200;%训练次数,有时训练几十次比训练几百次上千次效果要好很多
sampleNUM=361;%样本点数
x1=zeros（sampleNUM,inputpoints）;%样本输入矩阵
y1=zeros（sampleNUM,outputpoints）;%样本输出矩阵
x2=zeros（sampleNUM,inputpoints）;%测试输入矩阵
y2=zeros（sampleNUM,outputpoints）;%测试输出矩阵
observeOUT=zeros（sampleNUM,outputpoints）;%%拟合输出监测点矩阵
i=0;j=0;k=0;%%%%其中j是在一个训练周期中的样本点序号，不可引用
i=0;h=0;o=0;%%%%输入层序号，隐含层序号，输出层序号
x=0:
0.2*pi:
2*pi;%%%%步长
forj=1:
9%%%%%%这里给样本输入和输出赋值，应根据具体应用来设定
x1（j,1）=x（j）;
y1（j,1）=sin（x1（j,1））;
end
x=0:
2*pi/361:
2*pi;
forj=1:
361
x2（j,1）=x（j）;
y2（j,1）=sin（x2（j,1））;
end
foro=1:
outputpoints
y1（:
o）=（y1（:
o）-min（y1（:
o）））/（max（y1（:
o））-min（y1（:
o）））;
%归一化，使得输出范围落到[0,1]区间上，当激活函数为对数S型时适用
y2（:
o）=（y2（:
o）-min（y2（:
o）））/（max（y2（:
o））-min（y2（:
o）））;
end
fori=1:
inputpoints
x1（:
i）=（x1（:
i）-min（x1（:
i）））/（max（x1（:
i））-min（x1（:
i）））;
%输入数据归一化范围要和输出数据的范围相同，[0,1]
x2（:
i）=（x2（:
i）-min（x2（:
i）））/（max（x2（:
i））-min（x2（:
i）））;
end
sampleNUM=9;
formmm=1:
trainingROUND%训练开始，100次
error_sum=0;
ifmmm==trainingROUND
sampleNUM=361;
end
forj=1:
sampleNUM%%%%%每次训练一个样本点
fori=1:
inputpoints%%%%%样本输入层赋值
a（i）=x1（j,i）;
end
foro=1:
outputpoints%%%%%样本输出层赋值
y（o）=y1（j,o）;
end
ifmmm==trainingROUND
fori=1:
inputpoints%%%%%样本输入层赋值
a（i）=x2（j,i）;
end
foro=1:
outputpoints%%%%%样本输出层赋值
y（o）=y2（j,o）;
end
end
forh=1:
defaultpoints
bin（h）=0;
fori=1:
inputpoints
bin（h）=bin（h）+a（i）*w（i,h）;
end
bin（h）=bin（h）-base1（h）;
bout（h）=1/（1+exp（-bin（h）））;%%%%%%隐含层激励函数为对数激励
end
temp_error=0;
foro=1:
outputpoints
cin（o）=0;
forh=1:
defaultpoints
cin（o）=cin（o）+bout（h）*v（h,o）;
end
cin（o）=cin（o）-base2（o）;
cout（o）=1/（1+exp（-cin（o）））;%%%%%%输出层激励函数为对数激励
observeOUT（j,o）=cout（o）;
error（o）=y（o）-cout（o）;
temp_error=temp_error+error（o）*error（o）;%%%%%记录实际误差，不应该乘伽玛系数
error（o）=gama*error（o）;
end
Testerror（j）=temp_error;
error_sum=error_sum+Testerror（j）;
foro=1:
outputpoints
error_rate_cin（o）=error（o）*cout（o）*（1-cout（o））;
end
forh=1:
defaultpoints
error_rate_bin（h）=0;
foro=1:
outputpoints
error_rate_bin（h）=error_rate_bin（h）+error_rate_cin（o）*v（h,o）;
end
error_rate_bin（h）=error_rate_bin（h）*bout（h）*（1-bout（h））;
end
forh=1:
defaultpoints
base1（h）=base1（h）-5*error_rate_bin（h）*bin（h）;
%%%%base1变化不影响最小误差，但是可以抑制由于过多训练产生的发散效果
foro=1:
outputpoints
v（h,o）=v（h,o）+alfa*error_rate_cin（o）*bout（h）;%可能要改，正负号？
%base1（i）=base1（i）+0.01*alfa*error（i）;
end
fori=1:
inputpoints
w（i,h）=w（i,h）+belt*error_rate_bin（h）*a（i）;%可能要改，正负号？
%base2=base2+0.01*belt*out_error;
end
end
end
%%%%%%%%一轮训练结束
if（error_sum<0.01）
%%%%error_sum中记录一轮训练中所有样本的所有输出和拟合输出值差值平方和
break;
end
end%//训练结束
figure
plot（x（1:
sampleNUM）,Testerror（1:
sampleNUM）,'r+'）
holdon
plot（x（1:
sampleNUM）,y2（1:
sampleNUM,1）,'*'）
holdon
plot（x（1:
sampleNUM）,observeOUT（1:
sampleNUM,1）,'o'）
holdon
ylabel（num2str（mmm））;
xlabel（num2str（error_sum））;
升级会员 