BP神经网络matlab实例(简单而经典).doc

学习神经网络的好助手，可以仿照其中的代码，只需修改个别参数便可以轻易实现自己需要完成的任务。 p=p1;t=t1; [pn,minp,maxp,tn,mint,maxt]=premnmx(p,t); %原始数据归一化 net=newff(minmax(pn),[5,1],{tansig,purelin},traingdx); %设置网络,建立相应的BP网络 net.trainParam.show=2000; % 训练网络 net.trainParam.lr=0.01; net.trainParam.epochs=100000; oal=1e-5; [net,tr]=train(net ,pn,tn); %调用TRAINGDM算法训练BP网络 pnew=pnew1; pnewn=tramnmx(pnew,minp,maxp); anewn=sim(net,pnewn); %对BP网络进行仿真 anew=postmnmx(anewn,mint,maxt); %复原数据 y=anew; 1、BP网络构建 〔1〕生成BP网络 ：由维的输入样本最小最大值构成的维矩阵。 ：各层的神经元个数。 。 〔2〕网络训练 〔3〕网络仿真 {tansig,purelin},trainrp 梯度下降法 traingd 有动量的梯度下降法 traingdm 自适应lr梯度下降法 traingda 自适应lr动量梯度下降法 traingdx 弹性梯度下降法 trainrp Fletcher-Reeves共轭梯度法 traincgf Ploak-Ribiere共轭梯度法 traincgp Powell-Beale共轭梯度法 traincgb 量化共轭梯度法 trainscg 拟牛顿算法 trainbfg 一步正割算法 trainoss Levenberg-Marquardt trainlm BP网络训练参数 训练参数 参数介绍 最大训练次数〔缺省为10〕 traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm 训练要求精度〔缺省为0〕 traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm net.trainParam.lr 学习率〔缺省为0.01〕 traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm 最大失败次数〔缺省为5〕 traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm 最小梯度要求〔缺省为1e-10〕 traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm 显示训练迭代过程〔NaN表示不显示，缺省为25〕 traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm 最大训练时间〔缺省为inf〕 traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm net.trainParam.mc 动量因子〔缺省0.9〕 traingdm、traingdx net.trainParam.lr_inc 学习率lr增长比〔缺省为1.05〕 traingda、traingdx net.trainParam.lr_dec 学习率lr下降比〔缺省为0.7〕 traingda、traingdx net.trainParam.max_perf_inc traing