(完整版)BP神经网络matlab实例(简单而经典)

 [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

：由维的输入样本最小最大值构成的维矩阵。

：各层的神经元个数。

：各层的神经元传递函数。

：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    

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，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 0.05 0.6600 0.4609...

    0.1336 -0.2013 -0.4344 -0.5000 -0.3930 -0.17 -.0988...

    0.3072 0.3960 0.3449 0.1816 -0.312 -0.21 -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： 

中间层各神经元的阈值： 

中间层到输出层的权值： 

输出层各神经元的阈值：

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：

看到期望输出的范围超出，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：

中间层各神经元的阈值： 

中间层到输出层的权值： 

输出层各神经元的阈值：

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。

[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);