BP神经网络MATLAB工具箱和MATLAB实现使用实例

BP神经网络matlab工具箱和matlab实现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 all

clc

inputNums=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9

error=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V

deltw=zeros(hideNums,outputNums);%10*3

dw=zeros(hideNums,outputNums);%10*3

samplelist=[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:outputNums

d(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end

for i=1:inputNums

x(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4 end

%Forward();

for j=1:hideNums

net=0.0;

for i=1:inputNums

net=net+x(i)*v(i,j);%输入层到隐层的加权和∑X(i)V(i)

end

y(j)=1/(1+exp(-net));%输出层处理f(x)=1/(1+exp(-x))单极性sigmiod函数end

for k=1:outputNums

net=0.0;

for j=1:hideNums

net=net+y(j)*w(j,k);

end

if count>=2&&error(count)-error(count+1)<=0.0001

o(k)=1/(1+exp(-net)/yyy);%平坦区加大学习率

else o(k)=1/(1+exp(-net));%同上

end

end

%BpError(c)反馈/修改;

errortmp=0.0;

for k=1:outputNums

errortmp=errortmp+(d(k)-o(k))^2;%第一组训练后的误差计算

end

errorp(c)=0.5*errortmp;%误差E=∑(d(k)-o(k))^2*1/2

%end

%Backward();

for k=1:outputNums

yitao(k)=(d(k)-o(k))*o(k)*(1-o(k));%输入层误差偏导字串5

end

for j=1:hideNums

tem=0.0;

for k=1:outputNums

tem=tem+yitao(k)*w(j,k);%为了求隐层偏导，而计算的∑

end

yitay(j)=tem*y(j)*(1-y(j));%隐层偏导

end

%调整各层权值

for j=1:hideNums

for k=1:outputNums

deltw(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

end

end

for i=1:inputNums

for j=1:hideNums

deltv(i,j)=alpha*yitay(j)*x(i);%同上deltw

v(i,j)=v(i,j)+deltv(i,j)+a*dv(i,j);

dv(i,j)=deltv(i,j);

end

end

c=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8

for i=1:samplenum

tmp=tmp+errorp(i)*errorp(i);%误差求和

end

tmp=tmp/c;

error(count)=sqrt(tmp);%误差求均方根,即精度

if(error(count)

break;

end

count=count+1;%训练次数加1

end%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