BP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 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
.IW{1,1}
.b{1}
% 当前网络层权值和阈值
.LW{2,1}
.b{2}
pause
clc
% 设置训练参数
= 50;
= ;
= ;
= 1000;
= 1e-3;
pause
clc
% 调用 TRAINGDM 算法训练 BP 网络
[net,tr]=,P,T);
pause
clc
% 对 BP 网络进行仿真
A = ,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::1];
目标矢量:randn(’seed’,78341223);
T = sin(2*pi*P)+*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::1];
% T 为目标矢量
randn('seed',78341223); T = sin(2*pi*P)+*randn(size(P));
% 绘制样本数据点
plot(P,T,'+');
echo off
ho
BP 神经网络的设计实例(MATLAB编程) 来自淘豆网www.taodocs.com转载请标明出处.