BP RBF 神经网络作业.docx
《BP RBF 神经网络作业.docx》由会员分享，可在线阅读，更多相关《BP RBF 神经网络作业.docx（13页珍藏版）》请在冰豆网上搜索。
BPRBF神经网络作业
人工神经网络作业
神经网络在预测问题中的应用
姓名：
田敏
专业：
动力工程
班级：
动研124
学号：
2201200306
2013年7月
1、网络结构
图2Elman网络结构图
图3RBF网络结构图
二、网络实现
给定的1000组预测数据中，第7维为预测的目标值，前6维为影响因素。
则可设定输入节点Pn=6，输出节点r=1，利用公式
，其中Pm隐层节点数，Pn为输入节点数，r为输出节点数，L为1-10之间的一个整数。
求得隐层节点数Pm为4-12个。
针对不同的隐层节点数，分别建立模型和进行仿真计算，通过观察训练部数和训练时间，在综合考虑测试误差的基础上选取适合网络的隐层节点数。
本文在给定的1000组预测数据中，选取前990组为训练样本，后10组为测试样本，将给定的数据的前6维提取出来明明Matlab1，后1维提取出来命名为Matlab2，选取BP、Elman、RBF三种神经网络进行预测,学习率采用0.8，目标值定位0.003。
3、用MATLAB对BP神经网络进行训练
>>clearall;
loadmatlab1p;
loadmatlab2t;
input_train=p（1:
990,1:
6）';
output_train=t（1:
990,1:
1）';
inputn_test=p（991:
1000,1:
6）';
outputn_test=t（991:
1000,1:
1）';
[inputn,inputps]=mapminmax（input_train）;
[outputn,outputps]=mapminmax（output_train）;
net=newff（minmax（inputn）,[11,1],{'tansig','purelin'},'trainlm'）;
net.trainParam.epochs=20000;
Lp.lr=0.8;
net.trainParam.goal=0.003;
net=train（net,inputn,outputn）;
y=sim（net,inputn）;
e=y-outputn;
res=norm（e）;
T_test=sim（net,inputn）;
a=mapminmax（'reverse',outputn,outputps）;
e=y-outputn;
res=norm（e）;
T_test=sim（net,input2）;
a=mapminmax（'reverse',output2,outputps2）;
eror=T_test-outputn_test;
r=norm（eror）；
对于不同的隐层节点数，网络的图像以及范数存在着差异，下表反应了隐层节点数对范数的影响：
隐层节点数为11
隐层节点数为4隐层节点数5
很明显图线太平不收敛
隐层节点数为6
隐层节点数为7
隐层节点数为8
隐层节点数为9
隐层节点数为10
隐层节点数为12
隐层节点数
范数
隐层节点数
范数
4
1.8486
9
1.7228
5
1.8276
10
1.7223
6
1.7501
11
1.7232
7
1.7408
12
1.7198
8
1.7203
如上表隐层节点数应该选择12二范数1.7198
4、用MATLAB对Elman神经网络进行训练
>>clearall;
loadmatlab1p;
loadmatlab2t;
input_train=p（1:
990,1:
6）';
output_train=t（1:
990,1:
1）';
inputn_test=p（991:
1000,1:
6）';
[inputn,inputps]=mapminmax（input_train）;
[outputn,outputps]=mapminmax（output_train）;
[input2,inputps2]=mapminmax（inputn_test）;
[output2,outputps2]=mapminmax（outputn_test）;
net=newelm（minmax（inputn）,[12,1],{'tansig','purelin'}）;
net.trainParam.epochs=20000;
net.trainParam.goal=0.003;
net=train（net,inputn,outputn）;
y=sim（net,inputn）;
e=y-outputn;
res=norm（e）;
T_test=sim（net,input2）;
a=mapminmax（'reverse',output2,outputps2）;
eror=T_test-outputn_test;
r=norm（eror）
隐层节点数对范数的影响：
隐层节点数
范数
隐层节点数
范数
4
1.8536
9
1.7952
5
1.8208
10
1.7892
6
1.8109
11
1.7658
7
1.8079
12
1.7437
8
1.8021
如上表，采用Elman神经网络时选用的隐层节点数为12.
5、用MATLAB对RBF神经网络进行训练
>>clearall;
loadmatlab1p;
loadmatlab2t;
input_train=p（1:
990,1:
6）';
output_train=t（1:
990,1:
1）';
inputn_test=p（991:
1000,1:
6）';
outputn_test=t（991:
1000,1:
1）';
[inputn,inputps]=mapminmax（input_train）;
[outputn,outputps]=mapminmax（output_train）;
[input2,inputps2]=mapminmax（inputn_test）;
[output2,outputps2]=mapminmax（outputn_test）;
mse=0.1;
spread=0.5;
net=newrb（inputn,outputn,mse,spread）;
y=sim（net,inputn）;
e=y-outputn;
res=norm（e）;
T_test=sim（net,input2）;
a=mapminmax（'reverse',output2,outputps2）;
eror=T_test-outputn_test;
r=norm（eror）
运行程序后，得到的范数为1.7394。
参考文献
[1]董长虹.Matlab神经网络与应用[M].北京.国际工业出版社.2007.64-71.
[2]武俊梅,黄翔,邹平辉等.人工神经网络在流体动力式喷水室热工性能研究中的应用[J].流体机械,2000,28
（2）:
51-53.
[3]苏高利,邓芳萍.论基于MATLAB语言的BP神经网络的改进算法[J].科技通报,2003,19
（2）:
130-135.
[4]武俊梅,苏光辉.人工神经网络在预测流动沸腾曲线中的应用[J].原子能科学技术,2007,41（3）:
3152320.
[5]孙琦峰，孙晓峰.基于改进BP神经网络的公路客流量预测[N].2008-11.
[6]严绍瑾，郭光.神经网络BP模型用于月降水预报的研究[N].1995-08.
升级会员 