BP 神经网络的设计实例(MATLAB 编程)例 1 采纳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； 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 采纳贝叶斯正则化算法提高 BP 网络的推广能力。在本例中，我们采纳两种训练方法，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,样本数据可以采纳如下 MATLAB 语句生成: 输入矢量：P = [—1：0。05：1]; 目标矢量：randn（’seed’,78341223)； 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'，78341223)； T = sin（2*pi*P）+0.1＊randn(size(P））; % 绘制样本数据点 plot(P，T,’+’)； echo off hold on; plot（P，sin（2＊pi＊P)，’:’); ％ 绘制不...
