matlab-BP神经网络(贝叶斯正则化算法程序)
(完整版)BP神经网络matlab实例(简单而经典).doc
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net.trainParam.show=2000; % 训练网络net.trainParam.lr=0.01;net.trainParam.epochs=100000;net.trainParam.goal=1e-5;[net,tr]=train(net ,pn,tn); %调用TRAINGDM 算法训练BP 网络pnew=pnew1';pnewn=tramnmx(pnew,minp,maxp);anewn=sim(net,pnewn);anew=postmnmx(anewn,mint,maxt); %对 BP 网络进行仿真%还原数据y=anew';1、 BP 网络构建（1）生成 BP 网络net newff ( PR,[ S1 S2...SNl],{ TF1 TF 2...TFNl }, BTF , BLF , PF ) PR ：由R 维的输入样本最小最大值构成的R 2 维矩阵。
[ S1 S2...SNl] ：各层的神经元个数。
{TF 1 TF 2...TFNl } ：各层的神经元传递函数。
BTF ：训练用函数的名称。
（2）网络训练[ net,tr ,Y, E, Pf , Af ] train (net, P, T , Pi , Ai ,VV , TV )（3）网络仿真[Y, Pf , Af , E, perf ] sim(net, P, Pi , Ai ,T ){'tansig','purelin'},'trainrp'BP 网络的训练函数训练方法梯度下降法有动量的梯度下降法自适应 lr 梯度下降法自适应 lr 动量梯度下降法弹性梯度下降法训练函数traingd traingdm traingda traingdx trainrpFletcher-Reeves 共轭梯度法traincgf Ploak-Ribiere 共轭梯度法traincgpPowell-Beale 共轭梯度法traincgb 量化共轭梯度法trainscg 拟牛顿算法trainbfg 一步正割算法trainoss Levenberg-Marquardt trainlmBP 网络训练参数训练参数net.trainParam.epochsnet.trainParam.goal net.trainParam.lrnet.trainParam.max_fail net.trainParam.min_grad net.trainParam.show net.trainParam.timenet.trainParam.mc net.trainParam.lr_inc 参数介绍最大训练次数（缺省为10）训练要求精度（缺省为0）学习率（缺省为0.01 ）最大失败次数（缺省为5）最小梯度要求（缺省为1e-10）显示训练迭代过程（ NaN 表示不显示，缺省为 25）最大训练时间（缺省为inf ）动量因子（缺省0.9）学习率lr增长比（缺省为1.05）训练函数traingd 、traingdm 、traingda 、traingdx 、 trainrp 、 traincgf 、traincgp 、traincgb 、trainscg、trainbfg 、 trainoss、 trainlmtraingd 、traingdm 、traingda 、traingdx 、 trainrp 、 traincgf 、traincgp 、traincgb 、trainscg、trainbfg 、 trainoss、 trainlmtraingd 、traingdm 、traingda 、traingdx 、 trainrp 、 traincgf 、traincgp 、traincgb 、trainscg、trainbfg 、 trainoss、 trainlmtraingd 、traingdm 、traingda 、traingdx 、 trainrp 、 traincgf 、traincgp 、traincgb 、trainscg、trainbfg 、 trainoss、 trainlmtraingd 、traingdm 、traingda 、traingdx 、 trainrp 、 traincgf 、traincgp 、traincgb 、trainscg、trainbfg 、 trainoss、 trainlmtraingd 、traingdm 、traingda 、traingdx 、 trainrp 、 traincgf 、traincgp 、traincgb 、trainscg、trainbfg 、 trainoss、 trainlmtraingd 、traingdm 、traingda 、traingdx 、 trainrp 、 traincgf 、traincgp 、traincgb 、trainscg、trainbfg 、 trainoss、 trainlmtraingdm 、 traingdx traingda 、traingdxnet.trainParam.lr_dec 学习率 lr 下降比（缺省为 0.7） traingda 、 traingdxnet.trainParam.max_perf_inc 表现函数增加最大比（缺省traingda 、 traingdx为 1.04）net.trainParam.delt_inc 权值变化增加量（缺省为trainrp1.2）net.trainParam.delt_dec 权值变化减小量（缺省为trainrp0.5）net.trainParam.delt0 初始权值变化（缺省为 0.07） trainrpnet.trainParam.deltamax 权值变化最大值（缺省为trainrp50.0）net.trainParam.searchFcn 一维线性搜索方法（缺省为traincgf 、traincgp 、traincgb 、srchcha）trainbfg 、 trainossnet.trainParam.sigma 因为二次求导对权值调整的trainscg影响参数（缺省值 5.0e-5）mbda Hessian 矩阵不确定性调节trainscg参数（缺省为 5.0e-7）net.trainParam.men_reduc 控制计算机内存/ 速度的参trainlm量，内存较大设为1，否则设为 2（缺省为 1）net.trainParam.mu 的初始值（缺省为0.001） trainlmnet.trainParam.mu_dec 的减小率（缺省为0.1）trainlmnet.trainParam.mu_inc 的增长率（缺省为10）trainlmnet.trainParam.mu_max 的最大值（缺省为1e10）trainlm2、 BP 网络举例举例 1、%traingdclear;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');net.trainParam.show=50;%net.trainParam.lr=0.05;net.trainParam.epochs=300;net.trainParam.goal=1e-5;[net,tr]=train(net,P,T);net.iw{1,1}%隐层权值net.b{1}%隐层阈值net.lw{2,1}%输出层权值net.b{2}%输出层阈值sim(net,P)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。
(完整版)BP神经网络matlab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net.trainParam.show=2000; % 训练网络net.trainParam.lr=0.01;net.trainParam.epochs=100000;net.trainParam.goal=1e-5;[net,tr]=train(net ,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=net newff PR S S SNl TF TF TFNl BTF BLF PF(,[1 2...],{ 1 2...},,,)PR：由R维的输入样本最小最大值构成的2R⨯维矩阵。
S S SNl：各层的神经元个数。
[ 1 2...]{ 1 2...}TF TF TFNl：各层的神经元传递函数。
BTF：训练用函数的名称。
（2）网络训练[,,,,,] (,,,,,,)=net tr Y E Pf Af train net P T Pi Ai VV TV（3）网络仿真=[,,,,] (,,,,)Y Pf Af E perf sim net P Pi Ai T{'tansig','purelin'},'trainrp'2、BP网络举例举例1、%traingdclear;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');net.trainParam.show=50;%net.trainParam.lr=0.05;net.trainParam.epochs=300;net.trainParam.goal=1e-5;[net,tr]=train(net,P,T);net.iw{1,1}%隐层权值net.b{1}%隐层阈值net.lw{2,1}%输出层权值net.b{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。
BP神经网络预测的MATLAB实现
> > net. trainParam. show = 500; > > net = train ( net, P, T)
显示的数据与所设计的网络模型相符 ,且如图显见网 络学习迭代到 411次时 ,就达到了学习精度 0. 004 996 74, 其学习速度较快 。
(六 )测试 BP神经网络 将测试的输出数据还原 ,与实际人数比较 (见表 1) ,说 明 BP神经网络预测的 MATLAB实现是可行的 。
BP神经网络实验详解(MATLAB实现)
BP神经网络实验详解（MATLAB实现）BP（Back Propagation）神经网络是一种常用的人工神经网络结构，用于解决分类和回归问题。
在本文中，将详细介绍如何使用MATLAB实现BP神经网络的实验。
首先，需要准备一个数据集来训练和测试BP神经网络。
数据集可以是一个CSV文件，每一行代表一个样本，每一列代表一个特征。
一般来说，数据集应该被分成训练集和测试集，用于训练和测试模型的性能。
在MATLAB中，可以使用`csvread`函数来读取CSV文件，并将数据集划分为输入和输出。
假设数据集的前几列是输入特征，最后一列是输出。
可以使用以下代码来实现：```matlabdata = csvread('dataset.csv');input = data(:, 1:end-1);output = data(:, end);```然后，需要创建一个BP神经网络模型。
可以使用MATLAB的`patternnet`函数来创建一个全连接的神经网络模型。
该函数的输入参数为每个隐藏层的神经元数量。
下面的代码创建了一个具有10个隐藏神经元的单隐藏层BP神经网络：```matlabhidden_neurons = 10;net = patternnet(hidden_neurons);```接下来，需要对BP神经网络进行训练。
可以使用`train`函数来训练模型。
该函数的输入参数包括训练集的输入和输出，以及其他可选参数，如最大训练次数和停止条件。
下面的代码展示了如何使用`train`函数来训练模型：```matlabnet = train(net, input_train, output_train);```训练完成后，可以使用训练好的BP神经网络进行预测。
可以使用`net`模型的`sim`函数来进行预测。
下面的代码展示了如何使用`sim`函数预测测试集的输出：```matlaboutput_pred = sim(net, input_test);```最后，可以使用各种性能指标来评估预测的准确性。
Bp神经网络的Matlab实现
0Hale Waihona Puke 引言误差反向传播网络( Back Propagation Net - work, 简称 Bp 网络 ) 是目前人工神经网络模式中最具代表性, 应 用得最广泛的一种模型, 具有自学习、 自组织、 自适应和很强的非线性映射能力, 可以以任意精度逼近任意连 续函数. 近年来 , 为了解决 Bp 网络收敛速度慢 , 训练时间长等不足 , 提出了许多改进算法 . 然而, 在针对实际 问题的 Bp 网络建模过程中 , 选择多少层网络, 每层多少个神经元节点, 选择何种传递函数等 , 均无可行的理论 指导, 只能通过大量的实验计算获得 . MATLAB 中的神经网络工具箱( Neural Network Toolbox, 简称 NNbox) , 为解 决这一问题提供了便利的条件 . 神经网络工具箱功能十分完善, 提供了各种 MATLAB 函数, 包括神经网络的建 立、 训练和仿真等函数, 以及各种改进训练算法函数, 用户可以很方便地进行神经网络的设计和仿真, 也可以 在 MATLAB 源文件的基础上进行适当修改 , 形成自己的工具包以满足实际需要.
[1]
1
Bp 网络模型
Bp 网络是一种多层前馈神经网络 , 由输入层、 隐层和输出层组成.
图 1 为一个典型的三层 BP 网络的拓扑结构 , 层与层之间采用全互连方 式, 同一层之间不存在相互连接 , 隐层可以有一层或多层. 层与层之间有 两种信号在流通 : 一种是工作信号 ( 用实线表示) , 它是施加输入信号后 向前传播直到在输出端产生实际输出的信号, 是输入和权值的函数 . 另 一种是误差信号 ( 用虚线表示) , 网络实际输出与期望输出间的差值即为 误差, 它由输出端开始逐层向后传播 . Bp 网络的学习过程程由前向计算
（整理）BP神经网络matlab实现和matlab工具箱使用实例.
（整理）BP神经网络matlab实现和matlab工具箱使用实例.BP神经网络matlab实现和matlab工具箱使用实例经过最近一段时间的神经网络学习，终于能初步使用matlab实现BP网络仿真试验。
这里特别感谢研友sistor2004的帖子《自己编的BP算法（工具：matlab）》和研友wangleisxcc的帖子《用C++，Matlab，Fortran实现的BP算法》前者帮助我对BP算法有了更明确的认识，后者让我对matlab下BP函数的使用有了初步了解。
因为他们发的帖子都没有加注释，对我等新手阅读时有一定困难，所以我把sistor2004发的程序稍加修改后加注了详细解释，方便新手阅读。
%严格按照BP网络计算公式来设计的一个matlab程序,对BP网络进行了优化设计%yyy，即在o(k)计算公式时，当网络进入平坦区时(<0.0001)学习率加大，出来后学习率又还原%v(i,j)=v(i,j)+deltv(i,j)+a*dv(i,j); 动量项clear allclcinputNums=3; %输入层节点outputNums=3; %输出层节点hideNums=10; %隐层节点数maxcount=20000; %最大迭代次数samplenum=3; %一个计数器，无意义precision=0.001; %预设精度yyy=1.3; %yyy是帮助网络加速走出平坦区alpha=0.01; %学习率设定值a=0.5; %BP优化算法的一个设定值，对上组训练的调整值按比例修改字串9error=zeros(1,maxcount+1); %error数组初始化；目的是预分配内存空间errorp=zeros(1,samplenum); %同上v=rand(inputNums,hideNums); %3*10;v初始化为一个3*10的随机归一矩阵; v表输入层到隐层的权值deltv=zeros(inputNums,hideNums); %3*10;内存空间预分配dv=zeros(inputNums,hideNums); %3*10;w=rand(hideNums,outputNums); %10*3;同Vdeltw=zeros(hideNums,outputNums);%10*3dw=zeros(hideNums,outputNums); %10*3samplelist=[0.1323,0.323,-0.132;0.321,0.2434,0.456;-0.6546,-0.3242,0.3255]; %3*3;指定输入值3*3(实为3个向量)expectlist=[0.5435,0.422,-0.642;0.1,0.562,0.5675;-0.6464,-0.756,0.11]; %3*3;期望输出值3*3(实为3个向量)，有导师的监督学习count=1;while (count<=maxcount) %结束条件1迭代20000次c=1;while (c<=samplenum)for k=1:outputNumsd(k)=expectlist(c,k); %获得期望输出的向量,d(1:3)表示一个期望向量内的值endfor i=1:inputNumsx(i)=samplelist(c,i); %获得输入的向量（数据）,x(1:3)表一个训练向量字串4end%Forward();for j=1:hideNumsnet=0.0;for i=1:inputNumsnet=net+x(i)*v(i,j);%输入层到隐层的加权和∑X(i)V(i)endy(j)=1/(1+exp(-net)); %输出层处理f(x)=1/(1+exp(-x))单极性sigmiod函数endfor k=1:outputNumsnet=0.0;for j=1:hideNumsnet=net+y(j)*w(j,k);endif count>=2&&error(count)-error(count+1)<=0.0001o(k)=1/(1+exp(-net)/yyy); %平坦区加大学习率else o(k)=1/(1+exp(-net)); %同上endend%BpError(c)反馈/修改;errortmp=0.0;for k=1:outputNumserrortmp=errortmp+(d(k)-o(k))^2; %第一组训练后的误差计算enderrorp(c)=0.5*errortmp; %误差E=∑(d(k)-o(k))^2 * 1/2%end%Backward();for k=1:outputNumsyitao(k)=(d(k)-o(k))*o(k)*(1-o(k)); %输入层误差偏导字串5endfor j=1:hideNumstem=0.0;for k=1:outputNumstem=tem+yitao(k)*w(j,k); %为了求隐层偏导，而计算的∑endyitay(j)=tem*y(j)*(1-y(j)); %隐层偏导end%调整各层权值for j=1:hideNumsfor k=1:outputNumsdeltw(j,k)=alpha*yitao(k)*y(j); %权值w的调整量deltw(已乘学习率)w(j,k)=w(j,k)+deltw(j,k)+a*dw(j,k);%权值调整，这里的dw=dletw(t-1)，实际是对BP算法的一个dw(j,k)=deltw(j,k); %改进措施--增加动量项目的是提高训练速度endendfor i=1:inputNumsfor j=1:hideNumsdeltv(i,j)=alpha*yitay(j)*x(i); %同上deltwv(i,j)=v(i,j)+deltv(i,j)+a*dv(i,j);dv(i,j)=deltv(i,j);endendc=c+1;end%第二个while结束；表示一次BP训练结束double tmp;tmp=0.0; 字串8for i=1:samplenumtmp=tmp+errorp(i)*errorp(i);%误差求和endtmp=tmp/c;error(count)=sqrt(tmp);%误差求均方根,即精度if (error(count)<precision)%另一个结束条件< p="">break;endcount=count+1;%训练次数加1end%第一个while结束error(maxcount+1)=error(maxcount);p=1:count;pp=p/50;plot(pp,error(p),"-"); %显示误差然后下面是研友wangleisxcc的程序基础上，我把初始化网络，训练网络，和网络使用三个稍微集成后的一个新函数bpnet %简单的BP神经网络集成，使用时直接调用bpnet就行%输入的是p-作为训练值的输入% t-也是网络的期望输出结果% ynum-设定隐层点数一般取3~20;% maxnum-如果训练一直达不到期望误差之内，那么BP迭代的次数一般设为5000% ex-期望误差，也就是训练一小于这个误差后结束迭代一般设为0.01% lr-学习率一般设为0.01% pp-使用p-t虚拟蓝好的BP网络来分类计算的向量，也就是嵌入二值水印的大组系数进行训练然后得到二值序列% ww-输出结果% 注明：ynum,maxnum,ex,lr均是一个值；而p,t,pp,ww均可以为向量字串1% 比如p是m*n的n维行向量，t那么为m*k的k维行向量，pp为o*i的i维行向量,ww为o* k的k维行向量%p,t作为网络训练输入，pp作为训练好的网络输入计算,最后的ww作为pp经过训练好的BP训练后的输出function ww=bpnet(p,t,ynum,maxnum,ex,lr,pp)plot(p,t,"+");title("训练向量");xlabel("P");ylabel("t");[w1,b1,w2,b2]=initff(p,ynum,"tansig",t,"purelin"); %初始化含一个隐层的BP网络zhen=25; %每迭代多少次更新显示biglr=1.1; %学习慢时学习率(用于跳出平坦区)litlr=0.7; %学习快时学习率(梯度下降过快时)a=0.7 %动量项a大小(△W(t)=lr*X*ん+a*△W(t-1))tp=[zhen maxnum ex lr biglr litlr a 1.04]; %trainbpx[w1,b1,w2,b2,ep,tr]=trainbpx(w1,b1,"tansig",w2,b2,"purelin", p,t,tp);ww=simuff(pp,w1,b1,"tansig",w2,b2,"purelin"); %ww就是调用结果下面是bpnet使用简例:%bpnet举例，因为BP网络的权值初始化都是随即生成，所以每次运行的状态可能不一样。
matlab BP神经网络(贝叶斯正则化算法程序)
close allclearecho onclc% NEWFF——生成一个新的前向神经网络% TRAIN——对BP 神经网络进行训练% SIM——对BP 神经网络进行仿真pause% 敲任意键开始clc% 定义训练样本矢量% P 为输入矢量sqrs=[0.0000016420520 0.0000033513140 0.0000051272540 0.0000069694860 0.0000088776310 0.0000139339960 -0.0000594492310 -0.0001080022920 -0.0001476714860 ...0.0000112367340 0.0002021567880 0.0008695337800 -0.0001189929700 -0.0000912336690 0.0002160472130 0.0006358522040 0.0012365884200 0.0049930394010 ]./0.001657904949 ;sqjdcs=[0.0000399039272 0.0000805129702 0.0001218448339 0.0001639173001 0.0002067504102 0.0003172835720 0.0000421189848 0.0000870310694 0.0001350858140 ...0.0001866997652 0.0002423599348 0.0004033628719 0.0000394450224 0.0000830935373 0.0001317612004 0.0001864881262 0.0002486249700 0.0004497441812 ]./0.000533286;sqglmj=[0.0000068430669 0.0000147605347 0.0000240097285 0.0000349372747 0.0000480215187 0.0000954580176 0.0000005804238 0.0000011640375 0.0000017508228 ...0.0000023407605 0.0000029338317 0.0000044301058 0.0000030813582 0.0000071511410 0.0000126615618 0.0000203910217 0.0000318028637 0.0001118629438 ]./0.000034868299 ;s1=[0.0001773503110 0.0003553133430 0.0005338922010 0.0007130899610 0.0008929096590 0.0013452002950 0.0005747667510 0.0012111415700 0.0019195724060 ...0.0027130110200 0.0036077110840 0.0064386221260 0.0005056929850 0.0010189193420 0.0015398201520 0.0020685403470 0.0026052286500 0.0039828224110 ]./0.00275071;%s2=[25.9167875445 24.0718476818 22.2364947192 20.4105777318 18.5939487791 14.0920619223 990.2535888432 1040.4661104131 1096.3830297389 1159.029******* ...% 1229.6925839338 1453.3788619676 164.1136642277 142.4834641073 121.6137611080 101.4436832756 81.9180522413 35.6044841634];glkyl=[1 1 1 1 1 1 2 2 2 2 2 2 3 3 3 3 3 3];glhyl=[2 4 6 8 10 15 2 4 6 8 10 15 2 4 6 8 10 15 ];P=[sqrs;sqjdcs;sqglmj;s1]; %输入数据矩阵T=[glkyl;glhyl]; %目标数据矩阵echo onclcpauseclc% 创建一个新的前向神经网络net=newff(minmax(P),[20,2],{'tansig','purelin'});pauseclcecho offclcdisp('1. L-M 优化算法TRAINLM'); disp('2. 贝叶斯正则化算法TRAINBR'); choice=input('请选择训练算法(1,2):');figure(gcf);if(choice==1)echo onclc% 采用L-M 优化算法TRAINLMnet.trainFcn='trainlm';pauseclc% 设置训练参数net.trainParam.epochs = 500;net.trainParam.goal = 1e-6;net=init(net);% 重新初始化pauseclcelseif(choice==2)echo onclc% 采用贝叶斯正则化算法TRAINBRnet.trainFcn='trainbr';pauseclc% 设置训练参数net.trainParam.epochs = 500;randn('seed',192736547);net = init(net);% 重新初始化pauseclcendnet.trainParam.epochs = 500; net.trainParam.goal = 1e-6; net.trainFcn='trainoss';% 调用相应算法训练BP 网络[net,tr]=train(net,P,T);pauseclc% 对BP 网络进行仿真A = sim(net,P);% 计算仿真误差E = T - A;MSE=mse(E)pauseclc。
BP神经网络实验-Matlab
BP神经网络实验-MatlabBP神经网络是一种常见的人工神经网络模型。
在实际应用中，BP神经网络广泛用于分类、预测、优化等任务中。
本文将介绍如何在Matlab中实现BP神经网络，并通过一个简单的分类问题进行实验验证。
1. 数据准备首先，我们需要准备数据。
本文采用的数据是一个二分类问题，即在一个二维平面中，将数据点分为两类。
为了方便起见，我们可以手动生成一些数据点，或者使用Matlab自带的数据集如“fisheriris”。
2. BP神经网络模型的构建在Matlab中，我们可以使用“newff”函数来构建BP神经网络模型。
该函数可以接受多个参数，包括输入层、隐含层和输出层的节点数量，以及激活函数、学习算法等参数。
以下是构建一个包含1个输入层、1个隐含层和1个输出层的BP神经网络的示例代码：4. BP神经网络模型的测试在训练完成后，我们可以使用BP神经网络模型对测试数据进行分类预测。
在Matlab 中，我们可以使用“sim”函数来预测分类结果。
以下是对测试数据进行分类预测的示例代码：output=round(sim(net,test_data));其中，“output”是分类预测结果；“test_data”是测试数据。
5. 性能评估最后，我们需要对BP神经网络模型的分类性能进行评估。
在Matlab中，我们可以使用“confusionmat”函数来计算分类矩阵，进而计算分类准确率等性能指标。
以下是计算分类准确率的示例代码：[C,order]=confusionmat(test_label,output);accuracy=(C(1,1)+C(2,2))/sum(sum(C));其中，“C”是分类矩阵；“order”是分类标签；“accuracy”是分类准确率。
BP神经网络实验_Matlab
计算智能实验报告实验名称：BP神经网络算法实验班级名称： 2010级软工三班专业：软件工程姓名：李XX学号： XXXXXX2010090一、实验目的1）编程实现BP神经网络算法；2）探究BP算法中学习因子算法收敛趋势、收敛速度之间的关系；3）修改训练后BP神经网络部分连接权值，分析连接权值修改前和修改后对相同测试样本测试结果，理解神经网络分布存储等特点。
二、实验要求按照下面的要求操作，然后分析不同操作后网络输出结果。
1）可修改学习因子2）可任意指定隐单元层数3）可任意指定输入层、隐含层、输出层的单元数4）可指定最大允许误差ε5）可输入学习样本（增加样本）6）可存储训练后的网络各神经元之间的连接权值矩阵；7）修改训练后的BP神经网络部分连接权值，分析连接权值修改前和修改后对相同测试样本测试结果。
三、实验原理1 明确BP神经网络算法的基本思想如下：在BPNN中，后向传播是一种学习算法，体现为BPNN的训练过程，该过程是需要教师指导的；前馈型网络是一种结构，体现为BPNN的网络构架反向传播算法通过迭代处理的方式，不断地调整连接神经元的网络权重，使得最终输出结果和预期结果的误差最小BPNN是一种典型的神经网络，广泛应用于各种分类系统，它也包括了训练和使用两个阶段。
由于训练阶段是BPNN能够投入使用的基础和前提，而使用阶段本身是一个非常简单的过程，也就是给出输入，BPNN会根据已经训练好的参数进行运算，得到输出结果2 明确BP神经网络算法步骤和流程如下：1初始化网络权值2由给定的输入输出模式对计算隐层、输出层各单元输出3计算新的连接权及阀值，4选取下一个输入模式对返回第2步反复训练直到网络设输出误差达到要求结束训练。
四、实验内容和分析1．实验时建立三层BP神经网络，输入节点2个，隐含层节点2个，输出节代码：P=[0.0 0.0 1.0 1.0;0.0 1.0 0.0 1.0];%输入量矩阵T=[0.0 1.0 1.0 0.0];%输出量矩阵net=newff(minmax(P),T,[2 1],{'tansig','purelin'},'traingd');%创建名为net的BP神经网络inputWeights=net.IW{1,1};%输入层与隐含层的连接权重inputbias=net.b{2};%输入层与隐含层的阈值net.trainParam.epochs=5000;%网络参数：最大训练次数为5000次net.trainParam.goal=0.01;%网络参数：训练精度为0.001 net.trainparam.lr=0.5;%网络参数：学习设置率为0.5net.trainParam.mc=0.6; %动量[net,tr]=train(net,P,T); %训练A=sim(net,P); %仿真E=T-A; %误差MSE=mse(E); %均方误差训练次数5000，全局误差0.0083642．输入测试样本为可见网络性能良好，输出结果基本满足识别要求。
matlab BP神经网络
基于MATLAB的BP神经网络工具箱函数最新版本的神经网络工具箱几乎涵盖了所有的神经网络的基本常用模型，如感知器和BP网络等。
对于各种不同的网络模型，神经网络工具箱集成了多种学习算法，为用户提供了极大的方便[16]。
Matlab R2007神经网络工具箱中包含了许多用于BP网络分析与设计的函数，BP网络的常用函数如表3.1所示。
3.1.1BP网络创建函数1) newff该函数用于创建一个BP网络。
调用格式为：net=newffnet=newff(PR,[S1S2..SN1],{TF1TF2..TFN1},BTF,BLF,PF)其中，net=newff;用于在对话框中创建一个BP网络。
net为创建的新BP神经网络；PR为网络输入向量取值范围的矩阵；[S1S2…SNl]表示网络隐含层和输出层神经元的个数；{TFlTF2…TFN1}表示网络隐含层和输出层的传输函数，默认为‘tansig’；BTF表示网络的训练函数，默认为‘trainlm’；BLF表示网络的权值学习函数，默认为‘learngdm’；PF表示性能数，默认为‘mse’。
2）newcf函数用于创建级联前向BP网络，newfftd函数用于创建一个存在输入延迟的前向网络。
3.1.2神经元上的传递函数传递函数是BP网络的重要组成部分。
传递函数又称为激活函数，必须是连续可微的。
BP网络经常采用S型的对数或正切函数和线性函数。
1) logsig该传递函数为S型的对数函数。
调用格式为：A=logsig（N）info=logsig（code）其中，N：Q个S维的输入列向量；A：函数返回值，位于区间（0，1）中；2）tansig该函数为双曲正切S型传递函数。
调用格式为：A=tansig（N）info=tansig（code）其中，N：Q个S维的输入列向量；A：函数返回值，位于区间（-1，1）之间。
3）purelin该函数为线性传递函数。
调用格式为：A=purelin（N）info=purelin（code）其中，N：Q个S维的输入列向量；A：函数返回值，A=N。
MATLAB下BP神经网络设计
MATLAB下BP神经网络的设计开发BP网络在神经网络工具箱中的仿真本文利用Matlab6.5神经网络工具箱，以一组动态冲击实验数据为例建立网络模型。
实验数据共有13组，将其中对曲线形状有关键性影响的10组数据作为网络的训练数据，另外3组作为测试数据用以验证网络的预测性能。
①BP网络的建立在建立BP神经网络时，首先要根据应用的问题确定网络结构，即选择网络的层数和隐层节点数。
由于本例中实验数据较少，采用最基本的两层网络就可以很好地逼近未知函数了。
隐层节点数的选择在神经网络的应用中一直是一个复杂的问题：隐层节点数过多，将导致网络的预测能力不够，并容易导致网络陷入局部极小值难以跳出；隐层节点数过少，网络训练不出来，或不能识别以前没有的样本，且容错性差。
在设计中，比较实际的做法是通过对不同神经元数的网络进行训练、对比，找出网络效果最好时的隐层节点数。
在本例中，经大量的训练、对比，最终取中间隐层节点数为10。
另一方面，BP隐层传递函数采用正切Sigmoid 函数tansig，可以逼近任意非线性函数；输出层神经元则采用线性函数purelin，可以把输出值释放到任意值。
至此，一个1-10-1的神经网络模型建立完毕。
②BP网络的训练Matlab神经网络工具箱为用户提供了三种可用于BP网络的训练函数，它们是：trainbp、trainbpx和trainlm。
它们用法类似，采用不同的学习规则。
trainlm训练函数使用Levenberg-Marquardt算法，是三种规则中迭代次数最少、训练速度最快的一个，缺点是该算法在每次迭代时的计算量比其他算法大，故需要大量的存储空间，对于参数很大的应用是不实用的，考虑到待处理问题的参数较小，因此采用trainlm训练函数。
目标误差设为0.01，最大训练步数设为10 000。
设定好参数之后开始训练网络，训练结果显示：网络在训练了32次之后达到目标误差0.01，训练停止。
③BP网络的测试由于初始值取随机值，每次训练得到的结果都不相同，经多次训练得到最好的结果，并记录下此时的权值和阈值。
matlab贝叶斯算法
matlab贝叶斯算法贝叶斯算法是一种基于贝叶斯定理的统计推断方法，它能够通过对已知数据的统计分析，得出事件的概率分布，从而对未知事件进行预测和推断。
在许多领域中，贝叶斯算法都有着广泛的应用，例如机器学习、数据挖掘、自然语言处理等。
MATLAB作为一种强大的数学软件，提供了丰富的贝叶斯算法实现工具，使得我们能够更加方便地应用贝叶斯算法来解决实际问题。
一、贝叶斯定理贝叶斯定理是贝叶斯算法的理论基础，它描述了在一个给定先验概率分布下，新的观测数据如何更新后验概率分布的问题。
具体来说，贝叶斯定理可以表示为：后验概率分布=先验概率分布×事件发生概率/观测数据的概率。
通过贝叶斯定理，我们可以根据已知数据推断出未知事件的概率分布，从而对事件进行预测和推断。
MATLAB提供了多种贝叶斯算法的实现工具，包括高斯朴素贝叶斯、多项式朴素贝叶斯、隐马尔可夫模型等。
这些工具能够帮助我们更加方便地应用贝叶斯算法来解决实际问题。
下面以高斯朴素贝叶斯为例，介绍如何使用MATLAB实现贝叶斯算法。
1.数据准备首先，我们需要准备一组观测数据，并将其导入MATLAB中。
这些数据应该包括特征和标签。
2.训练模型使用MATLAB中的高斯朴素贝叶斯工具箱，我们可以训练模型。
在训练模型时，我们需要指定先验概率分布和观测数据的概率。
在MATLAB中，这些参数可以通过用户自定义的方式进行指定。
3.预测新数据训练好模型后，我们可以使用它来预测新数据。
在MATLAB中，可以使用predict函数来预测新数据。
该函数将返回一个预测概率向量，其中每个元素表示新数据属于各个类别概率的大小。
三、应用实例下面是一个应用实例，介绍如何使用MATLAB中的贝叶斯算法来解决实际问题。
假设我们有一组用户评分数据，其中包含用户对电影的评分。
我们希望使用高斯朴素贝叶斯算法来预测新用户的评分。
1.数据准备首先，我们需要准备一组训练数据和测试数据。
这些数据应该包括用户ID、电影ID和评分值。
基于MATLABD的BP神经网络
基于MATLABD的BP神经网络一、BP网络模型BP神经网络，也称为多层前馈神经网络，是一种利用BP算法或称“广义 准则”训练的反向传播神经网络，BP由网络由输入层、隐层和输出层组成。
层与层之问采用全互连方式，同一层之间不存在相互连接，隐层可以有一个或多个。
连接权的调整采用的是反向传播(Back Propagation)的学习算法。
BP神经网络的主要思想是把学习的过程分为两个部分，一部分是信息流在输入层和隐含层中得到计算处理并由输出层输出；另一部分则是根据输出和期望输出之间的误差值进行调节网络权重的反向传播。
神经元是神经网络最基本的处理单元，神经元的变换函数采用S型函数，因此输出量是0到1之间的连续量，它可实现从输入到输出的任意的非线性映射。
利用样本集首先对BP网络进行训练，也即对网络的连接权系数进行学习和调整，以使该网络实现给定的输入输出映射关系，这就是BP神经网络的学习。
经过训练的BP网络，对于不是样本集中的输入也能给出合适的输出。
该性质称为泛化(generalization)功能。
标准的BP算法是一种梯度下降学习算法，其权值的修正是沿着误差性能函数梯度的反方向进行的。
在前向计算过程中，输入信息从输入层经隐层逐层计算，并传向输出层，每层神经元的状态只影响下一层神经元的状态。
如输出层不能得到期望的输出，则转入误差反向传播过程，误差信号沿原来的连接通路返回，通过修改各层的神经元的权值，使得网络系统误差最小。
最终网络的实际输出与各自所对应的期望输出逼近。
由于BP神经网络存在样本数据比较复杂、训练中容易陷入局部极值、初始权值随机选取、网络结构难以确定等不足，直接影响到泛化能力的提高，限制了BP 神经网络在实际中的推广和应用。
为此，本文将采用贝叶斯正则优化算法TRAINBR，以此提高它的泛化能力。
二、基于MATLAB神经网络工具箱及其相关函数简介BP神经网络设计时，需要确定网络的拓扑结构(隐层的层数及各层的神经元的数目)及其神经元的变换函数，网络的初始化，误差计算，学习规则及网络训练，训练参数及训练样本的归一化处理等方面的工作。
BP神经网络的MATLAB语法介绍
BP神经网络的MATLAB语法介绍BP神经网络（Back Propagation Neural Network）是一种常用的人工神经网络算法，其目的是通过反向传播算法来训练网络模型，实现模式识别和函数逼近等任务。
在MATLAB中，可以使用Neural Network Toolbox来实现BP神经网络模型的构建和训练。
本文将介绍BP神经网络的MATLAB语法，包括网络的构建、训练、预测和模型评估等方面。
一、网络构建1.网络结构定义在MATLAB中，可以使用feedforwardnet函数来定义BP神经网络的结构。
该函数有两个参数，第一个参数是一个向量，表示每一层的节点数；第二个参数是一个向量，表示每一层的传输函数。
例如，下面的代码定义了一个具有2个输入节点、10个隐藏节点和1个输出节点的BP神经网络：```net = feedforwardnet([2, 10, 1]);```2.网络参数初始化网络参数初始化可以使用init函数，其参数是一个BP神经网络对象。
例如，下面的代码将使用init函数来初始化上一步中定义的网络对象：```net = init(net);```二、训练网络1.数据准备在训练BP神经网络之前，需要将数据集划分为输入和输出，然后进行数据归一化处理。
在MATLAB中，可以使用mat2cell函数将数据集划分为输入和输出集合，使用mapminmax函数来归一化数据。
例如，下面的代码将数据集划分为输入集合和输出集合，并进行数据归一化处理：```inputs = mat2cell(data(:, 1:end-1)', size(data, 2)-1,ones(size(data, 1), 1));outputs = mat2cell(data(:, end)', ones(size(data, 1), 1), 1);[input, inputPS] = mapminmax(cat(2, inputs{:}));[output, outputPS] = mapminmax(cat(2, outputs{:}));```2.训练参数设置在训练BP神经网络之前，需要设置一些训练参数，例如训练算法和最大训练次数。
用matlab编BP神经网络预测程序加一个优秀程序
求用matlab编BP神经网络预测程序求一用matlab编的程序P=[。
];输入T=[。
];输出% 创建一个新的前向神经网络net_1=newff(minmax(P),[10,1],{'tansig','purelin'},'traingdm')% 当前输入层权值和阈值inputWeights=net_1.IW{1,1}inputbias=net_1.b{1}% 当前网络层权值和阈值layerWeights=net_1.LW{2,1}layerbias=net_1.b{2}% 设置训练参数net_1.trainParam.show = 50;net_1.trainParam.lr = 0.05;net_1.trainParam.mc = 0.9;net_1.trainParam.epochs = 10000;net_1.trainParam.goal = 1e-3;% 调用TRAINGDM 算法训练BP 网络[net_1,tr]=train(net_1,P,T);% 对BP 网络进行仿真A = sim(net_1,P);% 计算仿真误差E = T - A;MSE=mse(E)x=[。
]';%测试sim(net_1,x) %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%不可能啊我200928对初学神经网络者的小提示第二步：掌握如下算法:2.最小均方误差,这个原理是下面提到的神经网络学习算法的理论核心,入门者要先看《高等数学》（高等教育出版社，同济大学版）第8章的第十节：“最小二乘法”。
3.在第2步的基础上看Hebb学习算法、SOM和K-近邻算法，上述算法都是在最小均方误差基础上的改进算法，参考书籍是《神经网络原理》（机械工业出版社，Simon Haykin著，中英文都有）、《人工神经网络与模拟进化计算》（清华大学出版社，阎平凡，张长水著）、《模式分类》（机械工业出版社，Richard O. Duda等著，中英文都有）、《神经网络设计》（机械工业出版社，Martin T. Hargan等著，中英文都有）。
MATLABBP神经网络用法的总结(试用于初学者)
MATLABBP神经网络用法的总结（试用于初学者）MATLAB是一种高级编程语言和环境，适用于各种科学和工程应用。
其中的BP神经网络（Backpropagation Neural Network）是一种最常用的人工神经网络类型，用于解决分类和回归问题。
对于初学者来说，使用MATLAB的BP神经网络可能会感到有些困惑，但通过一些基本的了解和指导，可以帮助他们尽快入门并开始应用该技术。
一、MATLAB中BP神经网络的基本原理BP神经网络是一种多层的前馈神经网络，其学习算法基于误差反向传播原理。
它由输入层、隐藏层和输出层组成，每个神经元都与前一层的所有神经元相连。
具体来说，它的训练过程包括四个主要步骤：初始化权重、前向传播、计算误差、反向传播。
通过迭代这四个步骤，神经网络可以根据样本数据不断调整权重，以最小化预测输出与实际输出之间的误差。
二、使用MATLAB创建BP神经网络在MATLAB中，可以使用Neural Network Toolbox（神经网络工具箱）来创建和训练BP神经网络。
可以按照以下步骤创建一个简单的BP神经网络模型。
1.定义输入和输出数据：首先，需要准备输入数据和对应的输出数据。
输入和输出数据的维度应该匹配，且数据应该以矩阵的形式表示。
2. 配置神经网络：使用‘newff’函数来创建一个新的BP神经网络对象。
可以指定隐藏层的数量和每个隐藏层的神经元数。
3. 训练神经网络：使用‘train’函数来训练神经网络。
可以指定训练算法、迭代次数、误差目标等参数。
4.预测和评估：使用已经训练好的神经网络对新的输入数据进行预测，并对预测结果进行评估。
三、MATLAB中BP神经网络的常见问题和解决方法1.数据预处理：在使用BP神经网络之前，需要对输入数据进行预处理，如归一化、标准化等，以确保数据在合理的范围内。
2.过拟合问题：BP神经网络容易过拟合数据，即在训练数据上表现较好，但在未知数据上表现较差。
运用Matlab创建BP神经网络(R2021b)
运用Matlab创建BP神经网络(R2021b)运用Matlab创建BP神经网络（R2021b）BP神经网络属于前向网络以下为创建BP神经网络的方法及参数意义（1）net=newff（P,T,S）或者net = newff(P,T,S,TF,BTF,BLF,PF,IPF,OPF,DDF) P：输入参数矩阵。
(RxQ1) T：目标参数矩阵。
(SNxQ2)S：N-1个隐含层的数目（S（i）到S（N-1）），输出层的单元数目取决于T，默认为空矩阵。
TF：相关层的传递函数，默认隐含层为tansig函数，输出层为purelin函数。
BTF：BP神经网络学习训练函数，默认值为trainlm函数。
BLF：权重学习函数，默认值为learngdm。
PF：性能函数，默认值为mse。
IPF，OPF，DDF均为默认值即可。
（2）传递函数 purelin 线性传递函数 tansig 正切 S 型传递函数 logsig 对数 S 型传递函数隐含层和输出层函数的选择对BP神经网络预测精度有较大影响，一般隐含层节点转移函数选用 tansig函数或logsig函数，输出层节点转移函数选用tansig函数或purelin函数。
（3）学习训练函数神经网络的学习分为有导师学习和无导师学习。
最速下降BP算法：traingd 动量BP算法：traingdm学习率可变的BP算法：trainda（学习率可变的最速下降BP算法）；traindx（学习率可变的动量BP算法）弹性算法：trainrp变梯度算法：traincgf（Fletcher-Reeves修正算法） traincgp（Polak_Ribiere修正算法） traincgb（Powell-Beale复位算法）trainbfg（BFGS 拟牛顿算法） trainoss（OSS算法） trainlm（LM算法）参数说明：通过net.trainParam可以查看参数Show Training Window Feedback showWindow: true Show Command LineFeedback showCommandLine: falseCommand Line Frequency show: 两次显示之间的训练次数 MaximumEpochs epochs: 训练次数Maximum Training Time time: 最长训练时间（秒）Performance Goal goal: 网络性能目标 Minimum Gradientmin_grad: 性能函数最小梯度 Maximum Validation Checks max_fail: 最大验证失败次数 Learning Rate lr: 学习速率Learning Rate Increase lr_inc: 学习速率增长值 Learning Rate lr_dec: 学习速率下降值 Maximum Performance Increase max_perf_inc:Momentum Constant mc: 动量因子（4）BP神经网络预测函数SimOut = sim('model', Parameters) & y=sim(net,x) 函数功能：用训练好的BP神经网络预测函数输出net：训练好的网络 x：输入数据 y：网络预测数据 (5)训练函数[net,tr] = train(Net,P,T,Pi,Ai) 其中，Net 待训练的网络 P 输入数据矩阵T 输出数据矩阵 (default = zeros) Pi 初始化输入层条件 (default = zeros)Ai 初始化输出层条件 (default = zeros) net 训练好的网络 tr 训练过程记录注意：P Ni-by-TS cell array Each element P{i,j,ts} is an Ni-by-Qmatrix. T Nl-by-TS cell array Each element T{i,ts} is a Ui-by-Q matrix.BP网络的常用函数表函数类型前向网络创建函数 Newff logsig 传递函数 tansig purelin learngd 学习函数 learngdm 性能函数 mse 梯度下降动量学习函数均方误差函数创建前向BP网络S型的对数函数 S型的正切函数纯线性函数基于梯度下降法的学习函数函数名称newcf 函数用途创建级联前向网络 msereg plotperf plotes 显示函数 plotep errsurf范例（网上搜寻的，谢谢原作者）均方误差规范化函数绘制网络的性能绘制一个单独神经元的误差曲面绘制权值和阈值在误差曲面上的位置计算单个神经元的误差曲面现给出一药品商店一年当中12个月的药品销售量（单位：箱）如下： 2056 2395 2600 2298 1634 1600 1873 1487 19001500 2046 1556 训练一个BP网络，用当前的所有数据预测下一个月的药品销售量。
matlab建立BP神经网络
在上式中， 0 。这种学习方法，权值修正是按最陡下降方向进行。因此， 有时称他为梯度学习算法。 六、基于 BP 神经网络的 Pt100 热电阻值特性模型及预测的 MATLAB 实现 训练程序： P=[-200:660]; T=[18.52 18.95 19.38 19.82 20.25 20.68 21.11 21.54 21.97 22.4 22.83 23.25 23.68
X i (t 1) sgn( W ji X j (t ) i )
j 0 n
对于全部 i
有时也可以一部分节点同时改变状态。 反馈网络的输出与输入之间在时间上 有延时， 因而要用动态方程描述神经元和系统的数学模型。系统稳定状态的分析 比较困难。 4. 联想记忆 人脑记忆的主要特征之一是联想。由于反馈网络会收敛到稳定状态，因此可 以用作联想记忆。 记忆是人脑对过去经验中发生过的事物的反映，是新获得行为 的保持。由于记忆，人才能保持过去的反映，使当前的反映在以前的反映的基础 上进行，使反映更全面、更深入。也就是有了记忆，人才能积累经验，扩大经验。 记忆是心理在时间上的持续，有了记忆，先后的经验才能联系起来，使心理活动 成为一个发展的过程， 使一个人的心理活动成为统一的过程，并形成他的心理特 征。记忆是反映机能的一个基本方面。目前，根据记忆操作的时间长短，人类记 忆有三种类型：感觉记忆、短时记忆和长时记忆。 近年来，许多人对联想记忆机制进行了大量研究。 根据输出与输入信息的关系，联想记忆可以分为两类：自联想记忆和异联想 记忆。设在学习过程中存入 M 个样本 { X ( k )} ， k 1,2, , M ，使用时要求：若 输入 X / X k v ，其中 X k 是 M 个学习样本之一， v 是偏差项（可代表噪声、
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
close all
clear
echo on
clc
% NEWFF——生成一个新的前向神经网络
% TRAIN——对BP 神经网络进行训练
% SIM——对BP 神经网络进行仿真
pause
% 敲任意键开始
clc
% 定义训练样本矢量
% P 为输入矢量
sqrs=[0.0000016420520 0.0000033513140 0.0000051272540 0.0000069694860 0.0000088776310 0.0000139339960 -0.0000594492310 -0.0001080022920 -0.0001476714860 ...
0.0000112367340 0.0002021567880 0.0008695337800 -0.0001189929700 -0.0000912336690 0.0002160472130 0.0006358522040 0.0012365884200 0.0049930394010 ]./0.001657904949 ;
sqjdcs=[0.0000399039272 0.0000805129702 0.0001218448339 0.0001639173001 0.0002067504102 0.0003172835720 0.0000421189848 0.0000870310694 0.0001350858140 ...
0.0001866997652 0.0002423599348 0.0004033628719 0.0000394450224 0.0000830935373 0.0001317612004 0.0001864881262 0.0002486249700 0.0004497441812 ]./0.000533286;
sqglmj=[0.0000068430669 0.0000147605347 0.0000240097285 0.0000349372747 0.0000480215187 0.0000954580176 0.0000005804238 0.0000011640375 0.0000017508228 ...
0.0000023407605 0.0000029338317 0.0000044301058 0.0000030813582 0.0000071511410 0.0000126615618 0.0000203910217 0.0000318028637 0.0001118629438 ]./0.000034868299 ;
s1=[0.0001773503110 0.0003553133430 0.0005338922010 0.0007130899610 0.0008929096590 0.00#### 0.0005747667510 0.0012111415700 0.0019195724060 ...
0.0027130110200 0.0036077110840 0.0064386221260 0.0005056929850 0.0010189193420 0.00#### 0.0020685403470 0.0026052286500 0.0039828224110 ]./0.00275071;
%s2=[25.9167875445 24.0718476818 22.2364947192 20.4105777318 18.5939487791 14.0920619223 990.2535888432 1040.4661104131 1096.3830297389 1159.029******* ...
% 1229.6925839338 1453.3788619676 164.1136642277 142.4834641073 121.6137611080 101.4436832756 81.9180522413 35.6044841634];
glkyl=[1 1 1 1 1 1 2 2 2 2 2 2 3 3 3 3 3 3];
glhyl=[2 4 6 8 10 15 2 4 6 8 10 15 2 4 6 8 10 15 ];
P=[sqrs;sqjdcs;sqglmj;s1]; %输入数据矩阵
T=[glkyl;glhyl]; %目标数据矩阵
echo on
clc
pause
clc
% 创建一个新的前向神经网络
net=newff(minmax(P),[20,2],{'tansig','purelin'});
pause
clc
echo off
clc
disp('1. L-M 优化算法TRAINLM'); disp('2. 贝叶斯正则化算法TRAINBR'); choice=input('请选择训练算法(1,2):');
figure(gcf);
if(choice==1)
echo on
clc
% 采用L-M 优化算法TRAINLM
net.trainFcn='trainlm';
pause
clc
% 设置训练参数
net.trainParam.epochs = 500;
net.trainParam.goal = 1e-6;
net=init(net);
% 重新初始化
pause
clc
elseif(choice==2)
echo on
clc
% 采用贝叶斯正则化算法TRAINBR
net.trainFcn='trainbr';
pause
clc
% 设置训练参数
net.trainParam.epochs = 500;
randn('seed',192736547);
net = init(net);
% 重新初始化
pause
clc
end
net.trainParam.epochs = 500; net.trainParam.goal = 1e-6; net.trainFcn='trainoss';
% 调用相应算法训练BP 网络[net,tr]=train(net,P,T);
pause
clc
% 对BP 网络进行仿真
A = sim(net,P);
% 计算仿真误差
E = T - A;
MSE=mse(E)
pause
clc。