文章目錄

• 模型的訓練
• 訓練模型
• BP網絡的構建
• 代碼示例

模型的訓練

BP網絡的訓練就是通過應用誤差反傳原理不斷調整網絡權值使網絡模型輸出值與已知的訓練樣本輸出值之間的誤差平方和達到最小或小于某一期望值。

訓練模型

訓練方法訓練函數

梯度下降法	traingd
有動量的梯度下降法	traingdm
自適應lr梯度下降法	traingda
自適應lr動量梯度下降法	traingdx
彈性梯度下降法	trainrp
Fletcher-Reeves共軛梯度法	traincgf
Ploak-Ribiere共軛梯度法	traincgp
Powell-Beale共軛梯度法	traincgb
量化共軛梯度法	trainscg
擬牛頓算法	trainbfg
一步正割算法	trainoss
Levenberg-Marquardt	trainlm

BP網絡的構建

生成BP網絡

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

PR: 由R維的輸入樣本最小最大值構成的R*2維矩陣
[S1 S2 ... SNl]：各層的神經元個數
{TF1 TF2 ... TFNl}：各層的神經元傳遞函數

網絡訓練

net=train(net,P,T)

P：標準輸入
T：標準輸出

網絡仿真

Y2=sim(net,P2)

代碼示例

pn=p1';tn=t1'; [m,n]=size(t);[pn,minp,maxp,tn,mint,maxt]=premnmx(p,t);%歸一化 net=newff(pn,[5,1],{'tansig','purelin'},'traingd'); %設置網絡,建立相應的BP網絡，底層神經元個數5，輸出神經元個數1，輸入到隱藏的激活函數tansig,隱藏到輸入到purelin,訓練函數traingd net.trainParam.show=50; % 訓練網絡,每隔50步展現下算法 net.trainParam.lr=0.01; %學習率0.01 net.trainParam.epochs=1000; %訓練1000步（訓練停止方式：epochs和goal) net.trainParam.goal=1e-5; [net,tr]=train(net ,pn,tn);%得到結果 anewn=sim(net,ps); %對BP網絡進行仿真 figure;hold on plot(anewn,'b',tn,'r'); wucha=sum(abs(b-r))/n;%誤差輸出 %traingdclear;clc;P=[-1 -1 2 2 4;0 5 0 5 7];%輸入T=[-1 -1 1 1 -1];%輸出 輸入到矩陣——行代表因子 列代表樣本（數量）%利用minmax函數求輸入樣本范圍net = newff(minmax(P),[7,1],{'tansig','purelin'},'trainlm');net.trainParam.show=50;%net.trainParam.lr=0.05;net.trainParam.epochs=1000;net.trainParam.goal=1e-5; [net,tr]=train(net,P,T); net.iw{1,1}%隱層權值 net.b{1}%隱層閾值 net.lw{2,1}%輸出層權值 net.b{2}%輸出層閾值 y3=sim(net,P);

總結

以上是生活随笔為你收集整理的【数学建模】BP神经网络算法模型的全部內容，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。