BP神经网络matlab实例(简单而经典)

[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 % 训练网络

,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); %还原数据 y=anew';

1、BP网络构建 （1）生成BP网络

net  newff(PR,[S1 S2...SNl],{TF1 TF2...TFNl},BTF,BLF,PF)

PR：由R维的输入样本最小最大值构成的R2维矩阵。

[S1 S2...SNl]：各层的神经元个数。

{TF1 TF2...TFNl}：各层的神经元传递函数。

BTF：训练用函数的名称。

（2）网络训练

[net,tr,Y,E,Pf,Af]  train(net,P,T,Pi,Ai,VV,TV)

（3）网络仿真

[Y,Pf,Af,E,perf]  sim(net,P,Pi,Ai,T)

{'tansig','purelin'},'trainrp'

BP网络的训练函数 训练方法 梯度下降法 有动量的梯度下降法 自适应lr梯度下降法 自适应lr动量梯度下降法 弹性梯度下降法 Fletcher-Reeves共轭梯度法 Ploak-Ribiere共轭梯度法 Powell-Beale共轭梯度法 量化共轭梯度法 拟牛顿算法 一步正割算法 Levenberg-Marquardt

BP网络训练参数

训练函数 traingd traingdm traingda traingdx trainrp traincgf traincgp traincgb trainscg trainbfg trainoss trainlm 训练参数 参数介绍 训练函数 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 学习率（缺省为） 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 动量因子（缺省） traingdm、traingdx 学习率lr增长比（缺省为） traingda、traingdx 学习率lr下降比（缺省为） traingda、traingdx 表现函数增加最大比（缺省为） traingda、traingdx 权值变化增加量（缺省为） 权值变化减小量（缺省为） 初始权值变化（缺省为） 权值变化最大值（缺省为） 一维线性搜索方法（缺省为srchcha） trainrp trainrp trainrp trainrp traincgf、traincgp、traincgb、trainbfg、trainoss 因为二次求导对权值调整的影响参数（缺省值） trainscg 矩阵不确定性调节参数（缺省为） trainscg 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） trainlm 的初始值（缺省为） trainlm trainlm trainlm 的减小率（缺省为） 的增长率（缺省为10） 的最大值（缺省为1e10） trainlm 2、BP网络举例 举例1、

%traingd clear; clc;

P=[-1 -1 2 2 4;0 5 0 5 7]; T=[-1 -1 1 1 -1];

%利用minmax函数求输入样本范围

net = newff(minmax(P),[5,1],{'tansig','purelin'},'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 输入X 输出D 输入X 输出D 解：

0 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：

clear; clc; X=-1::1; D=[ ... ... ]; figure;

plot(X,D,'*'); %绘制原始数据分布图（附录：1-1） net = newff([-1 1],[5 1],{'tansig','tansig'}); = 100; %训练的最大次数 = ; %全局最小误差 net = train(net,X,D); O = sim(net,X); figure;

plot(X,D,'*',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 4.66 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：T-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。 样本数据： 输入X 0 1 2 3 解：

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。 程序如下：

clear; clc;

X = [0 1 2 3 4 5 6 7 8 9 10]; D = [0 1 2 3 4 3 2 1 2 3 4]; figure;

plot(X,D,'*'); %绘制原始数据分布图

net = newff([0 10],[5 1],{'tansig','purelin'}) = 100;

'*',X,O); %绘制训练后得到的结果和误差曲线（附录：2-2、2-3） V = {1,1}%输入层到中间层权值

TT输出D 0 1 2 3 输入X 4 5 6 7 输出D 4 3 2 1 输入X 8 9 10 输出D 2 3 4 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0.8584 2.00 -1.2166 0.2752 -0.3910 中间层各神经元的阈值：-14.0302 -9.8340 7.4331 -2.0135 0.5610 中间层到输出层的权值： W-0.4675 -1.1234 2.3208 4.02 -2.2686 输出层各神经元的阈值：T1.7623

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BP神经网络，

利用该组信号的6个过去值预测信号的将来值。

TT日期 2009/02/02 2009/02/03 2009/02/04 2009/02/05 2009/02/06 2009/02/09 2009/02/10 2009/02/11 2009/02/12 2009/02/13 2009/02/16 2009/02/17 2009/02/18 价格 日期 2009/03/02 2009/03/03 2009/03/04 2009/03/05 2009/03/06 2009/03/09 2009/03/10 2009/03/11 2009/03/12 2009/03/13 2009/03/16 2009/03/17 2009/03/18 价格 2009/02/19 2009/02/20 2009/02/23 2009/02/24 2009/02/25 2009/02/26 2009/02/27 load ;

[m,n]=size( data3_1); tsx = data3_1(1:m-1,1); tsx=tsx';

ts = data3_1(2:m,1); ts=ts';

2009/03/19 2009/03/20 2009/03/23 2009/03/24 2009/03/25 2009/03/26 2009/03/27 [TSX,TSXps]=mapminmax(tsx,1,2); [TS,TSps]=mapminmax(ts,1,2); TSX=TSX'; figure;

plot(ts,'LineWidth',2);

title('到杭旅游总人数','FontSize',12); xlabel('统计年份','FontSize',12);

ylabel('归一化后的总游客数/万人','FontSize',12); grid on;

% 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','purelin'},'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);