MATLAB程序代码.pdf

MATLAB 程序代码--BP 神经网络的设计实例 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 为输入矢量 P=[-1, -2, 3, 1; -1, 1, 5, -3]; % T 为目标矢量 T=[-1, -1, 1, 1]; 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; bpnet=newff(pr,[12 4],{logsig, logsig}, traingdx, learngdm); %建立 BP 神经网络， 12 个隐层神经元，4 个输出神经元 %tranferFcn 属性 logsig 隐层采用 Sigmoid 传输函数 %tranferFcn 属性 logsig 输出层采用 Sigmoid 传输函数 %trainFcn 属性 traingdx 自适应调整学习速率附加动量因子梯度下 降反向传播算法训练函数 %learn 属性 learngdm 附加动量因子的梯度下降学习函数 net.trainParam.epochs=1000;%允许最大训练步数 2000 步 net.trainParam.goal=0.001; %训练目标最小误差 0.001 net.trainParam.show=10; %每间隔 100 步显示一次训练结果 net.trainParam.lr=0.05; %学习速率 0.05 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 =