Matlab神经网络经典实例.docVIP

clear clc close all warning off %数据输入 huanghe_p=[370 503 434 575 490 420 560 640 558 343 326 405 446 423 422 697 598 377 435 472 451 667 601 689 541 485 425 389 382 707 422]; huanghe_t=[515 713 586 753 720 567 717 987 810 489 453 589 639 568 595 982 849 519 615 652 599 941 893 999 758 701 630 561 520 1040 535]; %归一化处理 p=(huanghe_p-min(huanghe_p))/(max(huanghe_p)-min(huanghe_p)); t=(huanghe_t-min(huanghe_t))/(max(huanghe_t)-min(huanghe_t)); %网络有关参数 EPOCHS=10000; GOAL=0.000005; LR=0.01; MAX_FAIL=100; %建立bp神经网络，并训练，仿真。其中输入为p，输出为t %-------------------------隐层神经元确定----------------------------- s=3:15;%s 为常向量，表示神经元的个数 res=zeros(size(s));%res将要存储误差向量，这里先置零 pn=[p(1:5);p(6:10);p(11:15);p(16:20)]; tn=[t(1:5);t(6:10);t(11:15);t(16:20)]; for i=1:length(s) %7.0版本使用下面代码 %输出层的神经元个数必须等于tn的行数 %每层的传递函数可以自己指定 %创建了2层网路，隐层s(i)(任意)；输出层4(由tn决定不可改，但需输入) %net=newff(minmax(pn),[s(i),4],{tansig,purelin},trainlm); % %7.6版本使用下面的代码 %输出层神经元由tn决定，不需要输入，我们只需要确定输入层和隐层的神经元个数 %所有层的传递函数都可以自己定义 %创建3层网络，输入层8(任意)；隐层s(i)(任意)；输出层4(由tn决定，不可改，不需要输入) % %其实两个版本的区别在于7.6的bp网络创建函数直接给出了t，故最后一层不需要指定了，故相同的参数时，7.6的会多一层 % net=newff(pn,tn,[4,s(i)],{tansig,tansig,purelin},trainlm); net.iw{1,1}=zeros(size(net.iw{1,1}))+0.5; net.lw{2,1}=zeros(size(net.lw{2,1}))+0.75; net.b{1,1}=zeros(size(net.b{1,1}))+0.5; net.b{2,1}=zeros(size(net.b{2,1})); net.trainParam.epochs=EPOCHS; net.trainParam.goal =GOAL; net.trainParam.lr=LR; net.trainParam.max_fail=MAX_FAIL; net=train(net,pn,tn); y=sim(net,pn); e=tn-y; error=mse(e,net); res(i)=norm(error); end %选取最优神经元数，number为使得误差最小的隐层神经元个数 [ttmp2,ind]=min(res); no=s(ind); %选定隐层神经元数目后，建立网络，训练仿真。 %7.0版本 %net=newff(minmax(pn),[no,4],{tansig,purelin},trainlm); %7.6版本 net=newff(pn,tn,[4,no],{tansig,tansig,purelin},trainlm); net.iw{1,1}=zeros(size(net.iw{1,1}))+0.5; net.lw{2,1}=zeros(size(net.lw{2,1}))+0.75; net.b{1,1}=zeros(size(net.b{1,1}))+0.5; net.b{2,1}=zeros(size(net.b{2,1})); net.trainParam.epochs=EPOCHS; net.trainParam.goal =GOAL; net.trainParam.lr=LR; net.trainParam.max_fail=MAX_FAIL; net