一.推薦

本文不再介紹神經(jīng)網(wǎng)絡(luò)的基本概念和推到過程，博主還是會(huì)給出推薦：
1.MATLAB方面 ——(1)BP神經(jīng)網(wǎng)絡(luò)計(jì)算原理： 推薦CSDN的博主：奔跑的Yancy，網(wǎng)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(dǎo)方面：博主：zhiyong_will，網(wǎng)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(wǎng)址：https://blog.csdn.net/qq_39545674/article/details/82495569
3.Python方面——推薦博主：liu_coding，網(wǎng)址：https://blog.csdn.net/net_wolf_007/article/details/52055718
（備注： 當(dāng)然，也可以完全忽略以上推薦的內(nèi)容，以上是博主為自己記下的幾個(gè)還可以的BP方面的相關(guān)博客，方便更加全面了解）

二.正文

因?yàn)?#xff0c;BP神經(jīng)網(wǎng)絡(luò)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(jīng)被大量介紹過了，但是幾乎很少有快速上手的指導(dǎo)內(nèi)容，本文 （1）基于MATLAB工具箱，給出 （2）具體四步驟實(shí)現(xiàn)使用操作，并主要介紹 （3）設(shè)置參數(shù)的具體意義。

1.加載數(shù)據(jù)

%% 1.加載訓(xùn)練數(shù)據(jù) data=xlsread('。。。。.xlsx'); exercise=[]' tagret=data()';

2.建立BP神經(jīng)網(wǎng)絡(luò)，MATLAB中神經(jīng)網(wǎng)絡(luò)使用newff函數(shù)

%2.net = newff(minmax(p),[隱含層的神經(jīng)元個(gè)數(shù)，輸出層的神經(jīng)元個(gè)數(shù)],{隱層神經(jīng)元的傳輸函數(shù)TF1，輸出層的傳輸函數(shù)TF2｝,'反向傳播的訓(xùn)練函數(shù)') %一般在這里還有其他的傳輸?shù)暮瘮?shù)一般的如下，如果預(yù)測(cè)出來的效果不是很好，可以調(diào)節(jié) %TF1 = 'tansig';TF2 = 'logsig'; %TF1 = 'logsig';TF2 = 'purelin'; %TF1 = 'logsig';TF2 = 'logsig'; %TF1 = 'purelin';TF2 = 'purelin'; % 指定訓(xùn)練參數(shù) % net.trainFcn = 'traingd'; % 梯度下降算法 % net.trainFcn = 'traingdm'; % 動(dòng)量梯度下降算法 % net.trainFcn = 'traingda'; % 變學(xué)習(xí)率梯度下降算法 % net.trainFcn = 'traingdx'; % 變學(xué)習(xí)率動(dòng)量梯度下降算法 % (大型網(wǎng)絡(luò)的首選算法) % net.trainFcn = 'trainrp'; % RPROP(彈性BP)算法,內(nèi)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(nèi)存需求比Fletcher-Reeves修正算法略大 % net.trainFcn = 'traincgb'; % Powell-Beal復(fù)位算法,內(nèi)存需求比Polak-Ribiere修正算法略大 % (大型網(wǎng)絡(luò)的首選算法) %net.trainFcn = 'trainscg'; % ScaledConjugate Gradient算法,內(nèi)存需求與Fletcher-Reeves修正算法相同,計(jì)算量比上面三種算法都小很多 % net.trainFcn = 'trainbfg'; %Quasi-Newton Algorithms - BFGS Algorithm,計(jì)算量和內(nèi)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(jì)算量和內(nèi)存需求均比BFGS算法小,比共軛梯度算法略大 % (中型網(wǎng)絡(luò)的首選算法) %net.trainFcn = 'trainlm'; %Levenberg-Marquardt算法,內(nèi)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(shù)來訓(xùn)練，其算對(duì)對(duì)應(yīng)的是Levenberg-Marquardt算法

3.網(wǎng)絡(luò)參數(shù)的設(shè)置

這里的參數(shù)主要為以下內(nèi)容：
（1）隱含層層數(shù)：一般為一層，最基礎(chǔ)實(shí)用簡單計(jì)算量少；
（2）各層神經(jīng)元個(gè)數(shù)：輸入層和輸出層有時(shí)隨著系統(tǒng)的確定神經(jīng)元個(gè)數(shù)差不多就已確定，例如電池BMS系統(tǒng)，如果使用BP那么輸入信號(hào)一般兩個(gè)（電流和電壓）或者三個(gè)（電流電壓溫度），輸出信號(hào)一般一個(gè)（SOC數(shù)值）；另外隱含層神經(jīng)元個(gè)數(shù)我推薦不要少于5個(gè)；
（3）設(shè)置訓(xùn)練目標(biāo)誤差：根據(jù)系統(tǒng)設(shè)置，比如輸出值為0-1之間的數(shù)，精度要求預(yù)測(cè)值和實(shí)際值誤差在0.01以內(nèi)，那目標(biāo)誤差理論上只要你設(shè)置小于這個(gè)誤差一個(gè)數(shù)量級(jí)以下，為了盡量改善收斂效果，加大收斂力度還是目標(biāo)誤差設(shè)置較小一點(diǎn)比較恰當(dāng)，不然容易提前中斷訓(xùn)練。
（4）顯示訓(xùn)練結(jié)果的時(shí)間間隔步數(shù)：這個(gè)跟你輸入數(shù)據(jù)的時(shí)間間隔有關(guān)，訓(xùn)練時(shí)間間隔是輸入采樣時(shí)間的整數(shù)倍即可，我推薦就等于輸入數(shù)據(jù)的采樣時(shí)間；
（5）訓(xùn)練次數(shù)設(shè)置：離線情況下，訓(xùn)練次數(shù)要小于輸入總的采樣次數(shù)（總的采樣次數(shù)=總的采樣時(shí)間/采樣時(shí)間），但訓(xùn)練次數(shù)又不能太小，否者造成訓(xùn)練不充分，訓(xùn)練結(jié)果沒有收斂，應(yīng)該是總的采樣次數(shù)的后20%區(qū)間。
（6）訓(xùn)練允許時(shí)間，默認(rèn)值INF：這個(gè)采取默認(rèn)值即可；
（7）學(xué)習(xí)率，默認(rèn)值為0.01：學(xué)習(xí)率和誤差反向傳播修正權(quán)值的步長關(guān)系很大；
（8）動(dòng)力因子，缺省為0.9：下面詳細(xì)介紹；
（9）最小性能梯度：下面詳細(xì)介紹。

%3網(wǎng)絡(luò)參數(shù)的設(shè)置 net.trainparam.goal=; %設(shè)置訓(xùn)練目標(biāo)誤差 net.trainparam.show=; %顯示訓(xùn)練結(jié)果的時(shí)間間隔步數(shù) net.trainparam.epochs=; %訓(xùn)練次數(shù)設(shè)置 % net.trainParam.time=; %訓(xùn)練允許時(shí)間，默認(rèn)值INF % net.trainParam.Lr=; %學(xué)習(xí)率，默認(rèn)值0.01 % net.trainParam.mc=; %動(dòng)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(jì)算仿真，一般采用sim函數(shù)

Y=sim(net,exercise);

5.進(jìn)入MATLAB的工具箱界面

?

第一部分，即Neural Network，圖形顯示的是神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖，可知有一個(gè)隱層一個(gè)輸出層;

第二部分，即Algorithms，顯示的是訓(xùn)練算法，這里為學(xué)習(xí)率自適應(yīng)的梯度下降BP算法；誤差指標(biāo)為MSE；

第三部分，即Progress，顯示訓(xùn)練進(jìn)度：

Epoch：訓(xùn)練次數(shù)；在其右邊顯示的是最大的訓(xùn)練次數(shù)，可以設(shè)定，上面例子中設(shè)為300；而進(jìn)度條中顯示的是實(shí)際訓(xùn)練的次數(shù)，上面例子中實(shí)際訓(xùn)練次數(shù)為146次。

Time：訓(xùn)練時(shí)間，也就是本次訓(xùn)練中，使用的時(shí)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(dāng)前的均方誤差；進(jìn)度條右邊顯示的是設(shè)定的均方誤差(如果當(dāng)前的均方誤差小于設(shè)定值，則停止訓(xùn)練)，這個(gè)指標(biāo)可以用用.trainParam.goal參數(shù)設(shè)定。

Gradiengt：梯度；進(jìn)度條中顯示的當(dāng)前的梯度值，其右邊顯示的是設(shè)定的梯度值。如果當(dāng)前的梯度值達(dá)到了設(shè)定值，則停止訓(xùn)練。

validation check為泛化能力檢查（若連續(xù)6次訓(xùn)練誤差不降反升，則強(qiáng)行結(jié)束訓(xùn)練）

第四部分，即Plots，為作圖。分別點(diǎn)擊三個(gè)按鈕能看到誤差變化曲線，分別用于繪制當(dāng)前神經(jīng)網(wǎng)絡(luò)的性能圖，訓(xùn)練狀態(tài)和回歸分析。

6.幾個(gè)參數(shù)介紹

（1）動(dòng)力因子： 這個(gè)參數(shù)常常沒有被很好的重視，其是BP批處理訓(xùn)練時(shí)會(huì)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(hào)對(duì)權(quán)值調(diào)整很小，但總誤差大于訓(xùn)練設(shè)定條件。動(dòng)力因子有助于其反饋的誤差信號(hào)使神經(jīng)元權(quán)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(fā)散，就結(jié)束訓(xùn)練結(jié)束學(xué)習(xí)過程。

參考文檔

總結(jié)

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(nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。