BP神经网络的设计实例(MATLAB编程).doc

神经网络的设计实例(MATLAB编程) 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 -2 3 1?-1 1 5 -3]目标矢量为 t = [-1 -1 1 1]解：本例的 MATLAB 程序如下：?close all?clear?echo on?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=[-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;?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?echo off?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；?T = sin(2*pi*P)+0.1*randn(size(P))；?解：本例的 MATLAB 程序如下：?close all?clear?echo on?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; T = sin(2*pi*P)+0.1*randn(size(P));?% 绘制样本数据点?plot(P,T,+);?echo off?hold on;?plot(P,sin(2*pi*P),:);?% 绘制不含噪声的正弦曲线?echo on?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?echo off?clcdisp(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)?echo on?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?clcelseif(choice==2)?echo on?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(n