BP神经网络maab实例简单而经典Word文档格式.docx
- 文档编号:20095250
- 上传时间:2023-01-16
- 格式:DOCX
- 页数:10
- 大小:18.06KB
BP神经网络maab实例简单而经典Word文档格式.docx
《BP神经网络maab实例简单而经典Word文档格式.docx》由会员分享,可在线阅读,更多相关《BP神经网络maab实例简单而经典Word文档格式.docx(10页珍藏版)》请在冰豆网上搜索。
各层的神经元传递函数
BTF:
训练用函数的名称
(2)网络训练
(3)网络仿真
{'
tansig'
purelin'
trainrp'
BP网络的训练函数
训练方法
训练函数
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-Reeve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、trainosstrainlm
训练要求精度(缺省为0)
学习率(缺省为)
traingd、traingdm、traingda、traingdx、
trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainosstrainlm
最大失败次数(缺省为5)
最小梯度要求(缺省为
1e-10
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、
trainosstrainlm
最大训练时间(缺省为
inf)
动量因子(缺省)
traingdm、traingdx
学习率lr增长比(缺省
为)
traingdatraingdx
学习率lr下降比(缺省
表现函数增加最大比(缺
省为)
权值变化增加量(缺省
权值变化减小量(缺省
初始权值变化(缺省为)
权值变化最大值(缺省
一维线性搜索方法(缺省
为srchcha
traincgf、traincgp、
traincgb、trainbfg、
因为二次求导对权值调
整的影响参数(缺省值)
矩阵不确定性调节参数
(缺省为)
控制计算机内存/速度的
参量,内存较大设为1,否则设为2(缺省为1)
的初始值(缺省为)
的减小率(缺省为)
的增长率(缺省为10)
的最大值(缺省为
1e10)
2、BP网络举例
举例1、
%traingd
clear;
clc;
P=[-1-1224;
05057];
T=[-1-111-1];
%利用minmax函数求输入样本范围
net=newff(minmax(P),T,[5,1],{'
trainrp'
隐层权值
{1}%隐层阈值
{2,1}%输出层权值
{2}%输出层阈值sim(net,P)
举例2、利用三层BP神经网络来完成非线性函数的逼近任务,其中隐层神经元个数为五个
样本数据:
输入X
输出D
解:
看到期望输出的范围是1,1,所以利用双极性Sigmoid函数作为转移函数
程序如下:
X=-1:
:
1;
D=[
];
figure;
plot(X,D,'
*'
%绘制原始数据分布图(附录:
1-1)
net=newff([-11],[51],{'
tansig,'
'
tansig}'
);
=1000;
%训练的最大次数
=;
%全局最小误差
net=train(net,X,D);
O=sim(net,X);
X,O);
%绘制训练后得到的结果和误差曲线(附录:
1-2、1-3)
V={1,1};
%输入层到中间层权值
theta1={1};
%中间层各神经元阈值
W={2,1};
%中间层到输出层权值
theta2={2};
%输出层各神经元阈值
所得结果如下:
输入层到中间层的权值:
V
-9.1669
7.3448
7.3761
4.8966
T
3.5409
中间层各神经元的阈值:
6.5885
-2.4019
-0.9962
1.5303
3.2731
中间层到输出层的权值:
W
0.3427
0.2135
0.2981
-0.8840
1.9134
输出层各神经元的阈值:
-1.5271
举例3、利用三层BP神经网络来完成非线性函数的逼近任务,其中隐层神经元个数为五个
4
8
2
1
5
3
9
6
10
7
看到期望输出的范围超出1,1,所以输出层神经元利用线性函数作为转移函数。
X=[012345678910];
D=[01234321234];
%绘制原始数据分布图
net=newff([010],[51],{'
})
=100;
2-2、2-3)
V={1,1}%输入层到中间层权值
theta1={1}%中间层各神经元阈值
W={2,1}%中间层到输出层权值
theta2={2}%输出层各神经元阈值
所得结果如下:
V0.85842.0890-1.21660.2752-0.39ld
-14.0302-9.83407.4331-2.01350.56l6
W-0.4675-1.12342.32084.6402-2.2686
BP神经网
T1.7623
问题:
以下是上证指数2009年2月2日到3月27日的收盘价格,构建一个三层络,利用该组信号的6个过去值预测信号的将来值。
日期
价格
2009/02/02
2009/03/02
2009/02/03
2009/03/03
2009/02/04
2009/03/04
2009/02/05
2009/03/05
2009/02/06
2009/03/06
2009/02/09
2009/03/09
2009/02/10
2009/03/10
2009/02/11
2009/03/11
2009/02/12
2009/03/12
2009/02/13
2009/03/13
2009/02/16
2009/03/16
2009/02/17
2009/03/17
2009/02/18
2009/03/18
2009/02/19
2009/03/19
2009/02/20
2009/03/20
2009/02/23
2009/03/23
2009/02/24
2009/03/24
2009/02/25
2009/03/25
2009/02/26
2009/03/26
2009/02/27
2009/03/27
load;
[m,n]=size(data3_1);
tsx=data3_1(1:
m-1,1);
tsx=tsx'
ts=data3_1(2:
m,1);
ts=ts'
[TSX,TSXps]=mapminmax(tsx,1,2);
[TS,TSps]=mapminmax(ts,1,2);
TSX=TSX'
plot(ts,'
LineWidth'
2);
title('
到杭旅游总人数’,'
FontSize;
12);
xlabel(统计年份'
FontSize:
ylabel(归一化后的总游客数/万人'
:
gridon;
%生成BP网络、利用minmax函数求输入样本范围
net_1=newff(minmax(TS):
[10:
1]:
{'
tansig:
}:
traincgf'
)
%设置训练参数
=50;
%显示训练迭代过程(NaN表示不显示,缺省25)
%学习率(缺省)
%动量因子(缺省)
=10000;
%最大训练次数
%训练要求精度
inputWeights={1,1}%输入层权值inputbias={1}%输入层阈值
layerWeights={2,1}%输出层权值layerbias={2}%输出层阈值
TS'
TSX
%网络训练
[net_1,tr]=train(net_1,TS,TSX);
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- BP 神经网络 maab 实例 简单 经典