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...},,,)
R⨯维矩阵。

PR：由R维的输入样本最小最大值构成的2
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'
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),[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。

看到期望输出的范围是()1,1-，所以利用双极性Sigmoid 函数作为转移函数。

程序如下：
clear; clc; X=-1:0.1:1;
D=[-0.9602 -0.5770 -0.0729 0.3771 0.6405 0.6600 0.4609... 0.1336 -0.2013 -0.4344 -0.5000 -0.3930 -0.1647 -.0988... 0.3072 0.3960 0.3449 0.1816 -0.312 -0.2189 -0.3201]; 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'}); net.trainParam.epochs = 100; %训练的最大次数 net.trainParam.goal = 0.005; %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 = net.iw{1,1}%输入层到中间层权值 theta1 = net.b{1}%中间层各神经元阈值 W = net.lw{2,1}%中间层到输出层权值 theta2 = net.b{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。

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'}) net.trainParam.epochs = 100; net.trainParam.goal=0.005; 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：2-2、2-3） V = net.iw{1,1}%输入层到中间层权值 theta1 = net.b{1}%中间层各神经元阈值 W = net.lw{2,1}%中间层到输出层权值 theta2 = net.b{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 -2.2686W = 输出层各神经元的阈值： 1.7623T =
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 data3_1.txt ;
[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(1999.01.01-2009.12.31)','FontSize',12);
xlabel('统计年份(1990.12.19-2009.08.19)','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
net_1.trainParam.show = 50; %显示训练迭代过程（NaN表示不显示，缺省25）net_1.trainParam.lr = 0.025; %学习率（缺省0.01）
net_1.trainParam.mc = 0.9; %动量因子（缺省0.9）
net_1.trainParam.epochs = 10000; %最大训练次数
net_1.trainParam.goal = 0.001; %训练要求精度
inputWeights=net_1.IW{1,1} %输入层权值
inputbias=net_1.b{1} %输入层阈值
layerWeights=net_1.LW{2,1} %输出层权值
layerbias=net_1.b{2} %输出层阈值
TS',TSX
% 网络训练
[net_1,tr]=train(net_1,TS,TSX);。