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% 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
PR:由R维的输入样本最小最大值构成的2
R 维矩阵。
[ 1 2...]
S S SNl:各层的神经元个数。
TF TF TFNl:各层的神经元传递函数。
{ 1 2...}
BTF:训练用函数的名称。(2)网络训练
(3)网络仿真
{'tansig','purelin'},'trainrp'
BP网络的训练函数
BP网络训练参数
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');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:
解:
-,所以利用双极性Sigmoid函数作为转移函数。
看到期望输出的范围是()1,1
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'});
= 1000; %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: ()-9.1669 7.3448 7.3761 4.8966 3.5409T
V =
中间层各神经元的阈值: ()6.5885 -2.4019 -0.9962 1.5303 3.2731T
θ=
中间层到输出层的权值: ()0.3427 0.2135 0.2981 -0.8840 1.9134W = 输出层各神经元的阈值:-1.5271T =
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:
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
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:()
0.8584 2.0890 -1.2166 0.2752 -0.3910T
V=
中间层各神经元的阈值:()
-14.0302 -9.8340 7.4331 -2.0135 0.5610T
θ=
中间层到输出层的权值:()
-0.4675 -1.1234 2.3208 4.6402 -2.2686
W=
输出层各神经元的阈值: 1.7623
T=
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。
load ;
[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','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);