(完整版)BP神经网络matlab实例(简单而经典)

p=p1';t=t1';

[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 net.trainParam.show=2000; % 训练网络

net.trainParam.lr=0.01;

net.trainParam.epochs=100000; net.trainParam.goal=1e-5;

[net,tr]=train(net ,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 训练函数 traingd traingdm traingda traingdx trainrp traincgf traincgp 学习神经网络的好助手，可以仿照其中的代码，只需修改个别参数便可以轻易实现自己需要完成的任务。

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 traincgb trainscg trainbfg trainoss trainlm 训练参数 net.trainParam.epochs 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 traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm net.trainParam.goal net.trainParam.lr 学习率（缺省为0.01） net.trainParam.max_fail 最大失败次数（缺省为5） net.trainParam.min_grad 最小梯度要求（缺省为1e-10） net.trainParam.show 显示训练迭代过程（NaN表示不显示，缺省为25） net.trainParam.time 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0.9） 学习率lr增长比（缺省为1.05） traingdm、traingdx traingda、traingdx net.trainParam.mc net.trainParam.lr_inc net.trainParam.lr_dec 学习率lr下降比（缺省为0.7） traingda、traingdx traingda、traingdx trainrp 为1.04） net.trainParam.max_perf_inc 表现函数增加最大比（缺省net.trainParam.delt_inc 权值变化增加量（缺省为1.2） 学习神经网络的好助手，可以仿照其中的代码，只需修改个别参数便可以轻易实现自己需要完成的任务。

net.trainParam.delt_dec net.trainParam.delt0 net.trainParam.deltamax net.trainParam.searchFcn net.trainParam.sigma net.trainParam.lambda net.trainParam.men_reduc 权值变化减小量（缺省为0.5） 权值变化最大值（缺省为50.0） 一维线性搜索方法（缺省为srchcha） 因为二次求导对权值调整的影响参数（缺省值5.0e-5） Hessian矩阵不确定性调节参数（缺省为5.0e-7） trainrp 初始权值变化（缺省为0.07） trainrp trainrp traincgf、traincgp、traincgb、trainbfg、trainoss trainscg trainscg net.trainParam.mu net.trainParam.mu_dec net.trainParam.mu_inc net.trainParam.mu_max 控制计算机内存/速度的参trainlm 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0.001）的减小率（缺省为0.1） trainlm 的增长率（缺省为10） trainlm 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),T,[5,1],{'tansig','purelin'},'trainrp');

net.trainParam.show=50;% net.trainParam.lr=0.05; net.trainParam.epochs=300; net.trainParam.goal=1e-5; [net,tr]=train(net,P,T);

net.iw{1,1}%隐层权值 net.b{1}%隐层阈值

net.lw{2,1}%输出层权值 net.b{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：

学习神经网络的好助手，可以仿照其中的代码，只需修改个别参数便可以轻易实现自己需要完成的任务。

输入X -1.0000 -0.9000 -0.8000 -0.7000 -0.6000 -0.5000 -0.4000 解： 输出D -0.9602 -0.5770 -0.0729 0.3771 0.6405 0.6600 0.4609 输入X -0.3000 -0.2000 -0.1000 0 0.1000 0.2000 0.3000 输出D 0.1336 -0.2013 -0.4344 -0.5000 -0.3930 -0.1647 -0.0988 输入X 0.4000 0.5000 0.6000 0.7000 0.8000 0.9000 1.0000 输出D 0.3072 0.3960 0.3449 0.1816 -0.3120 -0.2189 -0.3201 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=-1:0.1:1;

D=[-0.9602 -0.5770 -0.0729 0.3771 0.6405 0.6600 0.4609... 0.1336 -0.2013 -0.4344 -0.5000 -0.3930 -0.1647 -.0988... 0.3072 0.3960 0.3449 0.1816 -0.312 -0.2189 -0.3201]; 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'}); net.trainParam.epochs = 1000; %训练的最大次数 net.trainParam.goal = 0.005; %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 = net.iw{1,1};%输入层到中间层权值 theta1 = net.b{1};%中间层各神经元阈值 W = net.lw{2,1};%中间层到输出层权值 theta2 = net.b{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 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 输出D 0 输入X 4 输出D 4 输入X 8 输出D 2 TT学习神经网络的好助手，可以仿照其中的代码，只需修改个别参数便可以轻易实现自己需要完成的任务。

1 2 3 解：

1 2 3 5 6 7 3 2 1 9 10 3 4 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'}) net.trainParam.epochs = 100; net.trainParam.goal=0.005; 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：2-2、2-3） V = net.iw{1,1}%输入层到中间层权值 theta1 = net.b{1}%中间层各神经元阈值 W = net.lw{2,1}%中间层到输出层权值 theta2 = net.b{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 2.0890 -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 4.6402 -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 价格 2011.682 2060.812 2107.751 2098.021 2181.241 2224.711 2265.161 日期 2009/03/02 2009/03/03 2009/03/04 2009/03/05 2009/03/06 2009/03/09 2009/03/10 价格 2093.452 2071.432 2198.112 2221.082 2193.012 2118.752 2158.572 学习神经网络的好助手，可以仿照其中的代码，只需修改个别参数便可以轻易实现自己需要完成的任务。

2009/02/11 2009/02/12 2009/02/13 2009/02/16 2009/02/17 2009/02/18 2009/02/19 2009/02/20 2009/02/23 2009/02/24 2009/02/25 2009/02/26 2009/02/27 2260.822 2248.092 2320.792 2389.392 2319.442 2209.862 2227.132 2261.482 2305.782 2200.652 2206.572 2121.252 2082.852 2009/03/11 2009/03/12 2009/03/13 2009/03/16 2009/03/17 2009/03/18 2009/03/19 2009/03/20 2009/03/23 2009/03/24 2009/03/25 2009/03/26 2009/03/27 2139.021 2133.881 2128.851 2153.291 2218.331 2223.731 2265.761 2281.091 2325.481 2338.421 2291.551 2361.701 2374.44

load data3_1.txt;

[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';

figure;

plot(ts,'LineWidth',2);

title('到杭旅游总人数(1999.01.01-2009.12.31)','FontSize',12); xlabel('统计年份(1990.12.19-2009.08.19)','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

net_1.trainParam.show = 50; %显示训练迭代过程（NaN表示不显示，缺省25） net_1.trainParam.lr = 0.025; %学习率（缺省0.01） net_1.trainParam.mc = 0.9; %动量因子（缺省0.9） net_1.trainParam.epochs = 10000; %最大训练次数 net_1.trainParam.goal = 0.001; %训练要求精度

学习神经网络的好助手，可以仿照其中的代码，只需修改个别参数便可以轻易实现自己需要完成的任务。

inputWeights=net_1.IW{1,1} %输入层权值 inputbias=net_1.b{1} %输入层阈值 layerWeights=net_1.LW{2,1} %输出层权值 layerbias=net_1.b{2} %输出层阈值

TS',TSX

% 网络训练

[net_1,tr]=train(net_1,TS,TSX);