MATLAB 程序代码-—bp 神经网络应用举例1 BP 神经网络的设计实例 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； %两次显示之间的训练次数，缺省值为 25 net.trainParam.lr = 0.05；％学习速率 net.trainParam。mc = 0.9； %动量常数设置，缺省就是 0。9 net。trainParam。epochs = 1000； ％训练次数，缺省值为 100 net。trainParam。goal = 1e—3; %网络性能目标，缺省值为 0 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 ...
