BP神经网络实例Word文件下载.docx

1、（2）输入训练样本，对每个样本进行（3）（5）步。（3）计算各个网络层的实际输出（4）计算训练误差 ，输出层，隐含层和输入层（5）修正权值和阈值（6）当样本集中的所有样本都经历了（3）（5）步后，即完成了 一个训练周期（Epoch），计算性能指标,其中。（7）如果性能指标满足精度要求，即，那么训练结束，否则，转到（2），继续下一个训练周期。是小的正数，根据实际情况而定，例如3、流程图根据BP网络的算法，我们可得流程图如下。第二章BP神经网络实例分析一、实例要求1、取九个点来训练网络，然后得出拟合曲线。2、取适当数量训练点来训练网络，然后得出拟合曲线3、取11*11个点来训练网络，并用21*21

2、个点测试拟合的曲面。二、计算结果如下1、第一个函数：（2）学习率为，训练次数为3300时训练过程如学习曲线所示，圈圈为学习后产生的，折线为标准函数点连线。检验过程如检验曲线所示，点序列为拟合曲线上的点，曲线为标准函数曲线。误差曲线如右图所示。（2）学习率为，训练次数为3300时的曲线。从函数1可以看出，学习率比较大时，曲线收敛比较快，可以比较快速达到精度要求。但实际上，学习率比较大时（即收敛步长比较大），容易超出收敛边界，反而收敛导致不稳定，甚至发散。2、第二个函数：（1）学习率为，样本点数为10，学习次数为5000时的曲线如下：（2）学习率为，样本点数为30，学习次数为5000时的曲线如下：

3、从函数2可以看出，样本点个数越多时，曲线精度越高。但学习时间会有所增加。3、第三个函数学习率为，动量项学习率为，训练次数为5000，训练样本数为11*11。图形如下：附：程序源代码第一个和第二个函数的程序：%此BP网络为两层隐含层，每个隐含层4个节点。输入输出各一层%输入层和输出层均采用恒等函数，隐含层采用S形函数clear all;close all;b=; %精度要求a=; %学习率c=2;Num=30; %训练样本数N=3300; %训练次数Nj=80; %检验样本数o0=rand（2,1）; %输入层阈值o1=rand（4,1）; %第一层隐含层阈值o2=rand（4,1）; %第二层

4、隐含层阈值o3=rand（1,1）; %输出层阈值w1=rand（4,2）; %输入信号为两个w2=rand（4,4）; %第一层隐含层与第二层隐含层的权系数w3=rand（1,4）; %第二层隐含层与输出层的权系数syms x y; %符号变量，用于两个输入值%fcn=cos（x）; %被学习的函数fcn=abs（sin（x）;x0=0:2*pi/（Num-1）:2*pi; %输入的训练样本y0=0:x=x0;y=y0;X（1,:）=x0;X（2,:）=y0;yf=eval（fcn）; %输出的训练样本x3=zeros（1,Num）;time=0;for j=1:1:N for i=1:Nu

5、m %前向计算: s1=w1*X（:,i）-o1; x1=1./（1+exp（-s1）; %第一层隐含层输出 s2=w2*x1-o2; x2=1./（1+exp（-s2）; %第二层隐含层输出 s3=w3*x2-o3; %x3=1./（1+exp（-s3）; %输出层输出 x3（i）=s3; %反向计算： %e3=（yf（i）-x3）./（exp（s3）+2+exp（-s3）; %输出层误差 e3=yf（i）-x3（i）; e2=（w3）*e3）./（exp（s2）+2+exp（-s2）; %第二层隐含层误差 e1=（w2）*e2）./（exp（s1）+2+exp（-s1）; %第一层隐含层误

6、差 %权值和阈值修正 w3=w3+a*e3*（x2）; %权值修正 w2=w2+a*e2*（x1） w1=w1+a*e1*（X（:,i） o3=o3-a*e3; %阈值修正 o2=o2-a*e2; o1=o1-a*e1; end E（j）=*（yf-x3）*（yf-x3）; %方差 time=time+1; %记录学习次数 if E（j）b break endend%检验m=0:2*pi/（Nj-1）:n=0:x=m;y=n;ym=eval（fcn）; %期望输出M（1,:）=x;M（2,:）=y;m3=zeros（1,Nj）;for i=1:Nj S1=w1*M（: m1=1./（1+exp

7、（-S1）; S2=w2*m1-o2; m2=1./（1+exp（-S2）; %第二层隐含层输出 S3=w3*m2-o3; %m3（i）=1./（1+exp（-S3）; %输出层输出 m3（i）=S3;figure（1）;plot（m,ym,g-hold onplot（m,m3,r. title（检验曲线 xlabel（xylabel（y=cos（x） figure（2）;plot（x0,yf,b-plot（x0,x3,ro学习曲线y=cos（x）k=1:time;figure（3）;plot（k,E）;误差曲线训练次数误差值第三个函数的程序%此BP网络为两层隐含层，每个隐含层10个节点。 %

8、精度要求c=; %动量项学习率Num=11;N=5000;Nj=21; %检验样本数 %输入层阈值o1=rand（10,1）;o2=rand（10,1）; %第二层隐含层阈值 %输出层阈值w1=rand（10,2）; %输入层与第一层隐含层的权系数w2=rand（10,10）; %第一层隐含层与第二层隐含层的权系数w3=rand（1,10）;o1_before=zeros（4,1）; %用于存储前一次的阈值o2_before=zeros（4,1）;o3_before=zeros（1,1）;w1_before=zeros（4,2）; %用于存储前一次的权值w2_before=zeros（4,4）

9、;w3_before=zeros（1,4）;o1_next=zeros（4,1）; %用于存储后一次的阈值o2_next=zeros（4,1）;o3_next=zeros（1,1）;w1_next=zeros（4,2）; %用于存储后一次的权值w2_next=zeros（4,4）;w3_next=zeros（1,4）;x0,y0=meshgrid（-10:20/（Num-1）:10）; %输入的训练样本yf=（sin（x0）.*sin（y0）./（x0.*y0）;x3=zeros（Num,Num）;E=zeros（1,N）; for h=1: X=zeros（2,1）; X（1,:）=x0（i

10、,h）; X（2,:）=y0（i,h）; s1=w1*X-o1; x3（i,h）=s3; w3_next=w3+a*e3*（x2）+c*（w3-w3_before）; w2_next=w2+a*e2*（x1）+c*（w2-w2_before）; w1_next=w1+a*e1*X+c*（w1-w1_before）; o3_next=o3-a*e3+c*（o3-o3_before）; %阈值修正 o2_next=o2-a*e2+c*（o2-o2_before）; o1_next=o1-a*e1+c*（o1-o1_before）; w1_before=w1;w2_before=w2;w3_befo

11、re=w3; o1_before=o1;o2_before=o2;o3_before=o3; w1=w1_next;w2=w2_next;w3=w3_next; o1=o1_next;o2=o2_next;o3=o3_next; d=yf（i,h）; y=x3（i,h）; E（j）=E（j）+*（d-y）2）; %方差 %记录学习次数 if E（j） breakm,n=meshgrid（-10:（20/（Nj-1）:ym=（sin（m）.*sin（n）./（m.*n）;m3=zeros（Nj,Nj）; for j=1: M=zeros（2,1）; M（1,:）=m（i,j）; M（2,:）=n（i,j）; S1=w1*M-o1; m3（i,j）=S3; %输出层输出surf（x0,y0,yf）;title（学习期望输出grid on;surf（x0,y0,x3）;学习实际输出subplot（221）;surf（m,n,ym）;检验期望输出subplot（222）;surf（m,n,m3）;检验实际输出subplot（212）;