(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2

R⨯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、

%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');

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。样本数据：

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 = 1000; %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。 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'}) 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。