BP神经网络maab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% 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

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

输出层各神经元的阈值： 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。

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);