一.推薦

本文不再介紹神經網絡的基本概念和推到過程，博主還是會給出推薦：
1.MATLAB方面 ——(1)BP神經網絡計算原理： 推薦CSDN的博主：奔跑的Yancy，網址如下：https://blog.csdn.net/lyxleft/article/details/82840787
（備注： 這篇博客中的BP推到過程中輸入的正向傳遞，反向誤差傳遞寫的都挺好）
（2）BP公式推導方面：博主：zhiyong_will，網址：https://blog.csdn.net/google19890102/article/details/32723459
2.C語言方面——推薦博客：博主：一朝英雄拔劍起，網址：https://blog.csdn.net/qq_39545674/article/details/82495569
3.Python方面——推薦博主：liu_coding，網址：https://blog.csdn.net/net_wolf_007/article/details/52055718
（備注： 當然，也可以完全忽略以上推薦的內容，以上是博主為自己記下的幾個還可以的BP方面的相關博客，方便更加全面了解）

二.正文

因為，BP神經網絡方面不管還是原理還是推到過程亦或是MATLAB、C語言或是Python都已經被大量介紹過了，但是幾乎很少有快速上手的指導內容，本文 （1）基于MATLAB工具箱，給出 （2）具體四步驟實現使用操作，并主要介紹 （3）設置參數的具體意義。

1.加載數據

%% 1.加載訓練數據 data=xlsread('。。。。.xlsx'); exercise=[]' tagret=data()';

2.建立BP神經網絡，MATLAB中神經網絡使用newff函數

%2.net = newff(minmax(p),[隱含層的神經元個數，輸出層的神經元個數],{隱層神經元的傳輸函數TF1，輸出層的傳輸函數TF2｝,'反向傳播的訓練函數') %一般在這里還有其他的傳輸的函數一般的如下，如果預測出來的效果不是很好，可以調節 %TF1 = 'tansig';TF2 = 'logsig'; %TF1 = 'logsig';TF2 = 'purelin'; %TF1 = 'logsig';TF2 = 'logsig'; %TF1 = 'purelin';TF2 = 'purelin'; % 指定訓練參數 % net.trainFcn = 'traingd'; % 梯度下降算法 % net.trainFcn = 'traingdm'; % 動量梯度下降算法 % net.trainFcn = 'traingda'; % 變學習率梯度下降算法 % net.trainFcn = 'traingdx'; % 變學習率動量梯度下降算法 % (大型網絡的首選算法) % net.trainFcn = 'trainrp'; % RPROP(彈性BP)算法,內存需求最小 % 共軛梯度算法 % net.trainFcn = 'traincgf'; %Fletcher-Reeves修正算法 % net.trainFcn = 'traincgp'; %Polak-Ribiere修正算法,內存需求比Fletcher-Reeves修正算法略大 % net.trainFcn = 'traincgb'; % Powell-Beal復位算法,內存需求比Polak-Ribiere修正算法略大 % (大型網絡的首選算法) %net.trainFcn = 'trainscg'; % ScaledConjugate Gradient算法,內存需求與Fletcher-Reeves修正算法相同,計算量比上面三種算法都小很多 % net.trainFcn = 'trainbfg'; %Quasi-Newton Algorithms - BFGS Algorithm,計算量和內存需求均比共軛梯度算法大,但收斂比較快 % net.trainFcn = 'trainoss'; % OneStep Secant Algorithm,計算量和內存需求均比BFGS算法小,比共軛梯度算法略大 % (中型網絡的首選算法) %net.trainFcn = 'trainlm'; %Levenberg-Marquardt算法,內存需求最大,收斂速度最快 % net.trainFcn = 'trainbr'; % 貝葉斯正則化算法 % 有代表性的五種算法為:'traingdx','trainrp','trainscg','trainoss', 'trainlm' %在這里一般是選取'trainlm'函數來訓練，其算對對應的是Levenberg-Marquardt算法

3.網絡參數的設置

這里的參數主要為以下內容：
（1）隱含層層數：一般為一層，最基礎實用簡單計算量少；
（2）各層神經元個數：輸入層和輸出層有時隨著系統的確定神經元個數差不多就已確定，例如電池BMS系統，如果使用BP那么輸入信號一般兩個（電流和電壓）或者三個（電流電壓溫度），輸出信號一般一個（SOC數值）；另外隱含層神經元個數我推薦不要少于5個；
（3）設置訓練目標誤差：根據系統設置，比如輸出值為0-1之間的數，精度要求預測值和實際值誤差在0.01以內，那目標誤差理論上只要你設置小于這個誤差一個數量級以下，為了盡量改善收斂效果，加大收斂力度還是目標誤差設置較小一點比較恰當，不然容易提前中斷訓練。
（4）顯示訓練結果的時間間隔步數：這個跟你輸入數據的時間間隔有關，訓練時間間隔是輸入采樣時間的整數倍即可，我推薦就等于輸入數據的采樣時間；
（5）訓練次數設置：離線情況下，訓練次數要小于輸入總的采樣次數（總的采樣次數=總的采樣時間/采樣時間），但訓練次數又不能太小，否者造成訓練不充分，訓練結果沒有收斂，應該是總的采樣次數的后20%區間。
（6）訓練允許時間，默認值INF：這個采取默認值即可；
（7）學習率，默認值為0.01：學習率和誤差反向傳播修正權值的步長關系很大；
（8）動力因子，缺省為0.9：下面詳細介紹；
（9）最小性能梯度：下面詳細介紹。

%3網絡參數的設置 net.trainparam.goal=; %設置訓練目標誤差 net.trainparam.show=; %顯示訓練結果的時間間隔步數 net.trainparam.epochs=; %訓練次數設置 % net.trainParam.time=; %訓練允許時間，默認值INF % net.trainParam.Lr=; %學習率，默認值0.01 % net.trainParam.mc=; %動量因子，缺省為0.9 trainParam.min_grad=; %最小性能梯度[net,tr]=train(net,exercise,tagret);

4.計算仿真，一般采用sim函數

Y=sim(net,exercise);

5.進入MATLAB的工具箱界面

?

第一部分，即Neural Network，圖形顯示的是神經網絡的結構圖，可知有一個隱層一個輸出層;

第二部分，即Algorithms，顯示的是訓練算法，這里為學習率自適應的梯度下降BP算法；誤差指標為MSE；

第三部分，即Progress，顯示訓練進度：

Epoch：訓練次數；在其右邊顯示的是最大的訓練次數，可以設定，上面例子中設為300；而進度條中顯示的是實際訓練的次數，上面例子中實際訓練次數為146次。

Time：訓練時間，也就是本次訓練中，使用的時間

Performance：性能指；本例子中為均方誤差(mse)的最大值。精度條中顯示的是當前的均方誤差；進度條右邊顯示的是設定的均方誤差(如果當前的均方誤差小于設定值，則停止訓練)，這個指標可以用用.trainParam.goal參數設定。

Gradiengt：梯度；進度條中顯示的當前的梯度值，其右邊顯示的是設定的梯度值。如果當前的梯度值達到了設定值，則停止訓練。

validation check為泛化能力檢查（若連續6次訓練誤差不降反升，則強行結束訓練）

第四部分，即Plots，為作圖。分別點擊三個按鈕能看到誤差變化曲線，分別用于繪制當前神經網絡的性能圖，訓練狀態和回歸分析。

6.幾個參數介紹

（1）動力因子： 這個參數常常沒有被很好的重視，其是BP批處理訓練時會陷入局部最小，也就是誤差本身基本上已不變化，其返回的信號對權值調整很小，但總誤差大于訓練設定條件。動力因子有助于其反饋的誤差信號使神經元權值重新振蕩起來，一定程度上避免算法局部收斂，整體仍然發散，就結束訓練結束學習過程。

參考文檔

總結

以上是生活随笔為你收集整理的BP神经网络实用性操作（四步模板）和主要网络参数介绍的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。