当前位置:首页 >> 电力/水利 >>

三个例子帮助理解BP神经网络的运用


三个例子帮助理解 BP 神经网络的运用(利用 MATLAB)
例 1 采用动量梯度下降算法训练 BP 网络。 训练样本定义如下: 输入矢量为 p =[-1 -2 3 1 -1 1 5 -3] 目标矢量为 t = [-1 -1 1 1] 解:本例的 MATLAB 程序如下: 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 % P 为输入矢量 P=[-1, -2, 3, 1; -1, 1, 5, -3]; % T 为目标矢量 T=[-1, -1, 1, 1]; pause; clc % 创建一个新的前向神经网络 net=newff(minmax(P),[3,1],{'tansig','purelin'},'traingdm') % 当前输入层权值和阈值 inputWeights=net.IW{1,1} inputbias=net.b{1} % 当前网络层权值和阈值 layerWeights=net.LW{2,1} layerbias=net.b{2} pause clc % 设置训练参数 net.trainParam.show = 50; net.trainParam.lr = 0.05; net.trainParam.mc = 0.9; net.trainParam.epochs = 1000; net.trainParam.goal = 1e-3; pause clc

% 调用 TRAINGDM 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 echo off 例 2 采用贝叶斯正则化算法提高 BP 网络的推广能力。在本例中,我们采用两种训练方法,即 L-M 优化算法(trainlm)和贝叶斯正则化算法(trainbr) ,用以训练 BP 网络,使其能够拟合 某一附加有白噪声的正弦样本数据。其中,样本数据可以采用如下 MATLAB 语句生成: 输入矢量:P = [-1:0.05:1]; 目标矢量:randn(’seed’,78341223); T = sin(2*pi*P)+0.1*randn(size(P)); 解:本例的 MATLAB 程序如下: 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 P = [-1:0.05:1]; % T 为目标矢量 randn('seed',78341223); T = sin(2*pi*P)+0.1*randn(size(P)); % 绘制样本数据点 plot(P,T,'+'); echo off hold on; plot(P,sin(2*pi*P),':'); % 绘制不含噪声的正弦曲线 echo on clc pause clc

% 创建一个新的前向神经网络 net=newff(minmax(P),[20,1],{'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 % 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 % 绘制匹配结果曲线 close all; plot(P,A,P,T,'+',P,sin(2*pi*P),':'); pause; clc echo off 通过采用两种不同的训练算法,我们可以得到如图 1 和图 2 所示的两种拟合结果。图中的实线 表示拟合曲线, 虚线代表不含白噪声的正弦曲线, “+”点为含有白噪声的正弦样本数据点。 显然, 经 trainlm 函数训练后的神经网络对样本数据点实现了“过度匹配”, 而经 trainbr 函数训练的 神经网络对噪声不敏感,具有较好的推广能力。 值得指出的是,在利用 trainbr 函数训练 BP 网络时,若训练结果收敛,通常会给出提示信息 “Maximum MU reached”。此外,用户还可以根据 SSE 和 SSW 的大小变化情况来判断训 练是否收敛:当 SSE 和 SSW 的值在经过若干步迭代后处于恒值时,则通常说明网络训练收 敛,此时可以停止训练。观察 trainbr 函数训练 BP 网络的误差变化曲线,可见,当训练迭代至 320 步时,网络训练收敛,此时 SSE 和 SSW 均为恒值,当前有效网络的参数(有效权值和 阈值)个数为 11.7973。 例 3 采用“提前停止”方法提高 BP 网络的推广能力。 对于和例 2 相同的问题, 在本例中我们将 采用训练函数 traingdx 和“提前停止”相结合的方法来训练 BP 网络,以提高 BP 网络的推广 能力。 解:在利用“提前停止”方法时,首先应分别定义训练样本、验证样本或测试样本,其中,验证样 本是必不可少的。在本例中,我们只定义并使用验证样本,即有 验证样本输入矢量:val.P = [-0.975:.05:0.975] 验证样本目标矢量:val.T = sin(2*pi*val.P)+0.1*randn(size(val.P)) 值得注意的是,尽管“提前停止”方法可以和任何一种 BP 网络训练函数一起使用,但是不适合 同训练速度过快的算法联合使用,比如 trainlm 函数,所以本例中我们采用训练速度相对较慢 的变学习速率算法 traingdx 函数作为训练函数。 本例的 MATLAB 程序如下: 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 P = [-1:0.05:1]; % T 为目标矢量 randn('seed',78341223); T = sin(2*pi*P)+0.1*randn(size(P)); % 绘制训练样本数据点 plot(P,T,'+'); echo off hold on; plot(P,sin(2*pi*P),':'); % 绘制不含噪声的正弦曲线 echo on clc pause clc % 定义验证样本 val.P = [-0.975:0.05:0.975]; % 验证样本的输入矢量 val.T = sin(2*pi*val.P)+0.1*randn(size(val.P)); % 验证样本的目标矢量 pause clc % 创建一个新的前向神经网络 net=newff(minmax(P),[5,1],{'tansig','purelin'},'traingdx'); pause clc % 设置训练参数 net.trainParam.epochs = 500; net = init(net); pause clc % 训练 BP 网络 [net,tr]=train(net,P,T,[],[],val); 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 % 绘制仿真拟合结果曲线 close all; plot(P,A,P,T,'+',P,sin(2*pi*P),':'); pause;

clc echo off 下面给出了网络的某次训练结果,可见,当训练至第 136 步时,训练提前停止,此时的网络误 差为 0.0102565。给出了训练后的仿真数据拟合曲线,效果是相当满意的。 [net,tr]=train(net,P,T,[],[],val); TRAINGDX, Epoch 0/500, MSE 0.504647/0, Gradient 2.1201/1e-006 TRAINGDX, Epoch 25/500, MSE 0.163593/0, Gradient 0.384793/1e-006 TRAINGDX, Epoch 50/500, MSE 0.130259/0, Gradient 0.158209/1e-006 TRAINGDX, Epoch 75/500, MSE 0.086869/0, Gradient 0.0883479/1e-006 TRAINGDX, Epoch 100/500, MSE 0.0492511/0, Gradient 0.0387894/1e-006 TRAINGDX, Epoch 125/500, MSE 0.0110016/0, Gradient 0.017242/1e-006 TRAINGDX, Epoch 136/500, MSE 0.0102565/0, Gradient 0.01203/1e-006 TRAINGDX, Validation stop.


相关文章:
BP神经网络步骤及应用实例
具体看帮助和 后面的实例复制内容到剪贴板代码:% 归一化数据输入为 p,输出为 ...BP神经网络模型应用实例 10页 免费 一种改进的BP神经网络在... 暂无评价 3页...
BP神经网络matlab实例(简单而经典)
搜试试 3 帮助 全部 DOC PPT TXT PDF XLS 百度文库 专业资料 IT/计算机 ...BP神经网络matlab实例(简单而经典)_计算机软件及应用_IT/计算机_专业资料。学习...
BP神经网络模型应用实例
搜 试试 7 帮助 全部 DOC PPT TXT PDF XLS ...BP神经网络模型应用实例_自然科学_专业资料。BP 神经...并设有 N 个样本 (xk,yk)(k=1,2,3,…,N)...
BP神经网络实例
搜 试试 3 帮助 全部 DOC PPT TXT PDF XLS ...接下来是分类过 程,应用前面学习过程所训练好的权值...(0, 2? ) BP 神经网络实例分析 取九个点来训练...
BP神经网络matlab实例(简单而经典)
搜 试试 7 帮助 全部 DOC PPT TXT PDF XLS ...(简单而经典)_计算机软件及应用_IT/计算机_专业资料...-1.5271 T 举例 3、 利用三层 BP 神经网络来完成...
BP神经网络在函数逼近中的应用实例
搜试试 3 帮助 全部 DOC PPT TXT PDF XLS 百度文库 专业资料 自然科学 数学BP神经网络在函数逼近中的应用实例_数学_自然科学_专业资料...
BP神经网络的设计实例
三个例子帮助理解BP神经网... 6页 免费 BP神经网络算法原理 13页 免费如要投诉...bp神经网络的应用bp神经网络的应用隐藏>> BP 神经网络的设计实例 神经网络的设...
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...%严格按照 BP 网络计算公式来设计的一个 matlab ...%预设精度 yyy=1.3; %yyy 是帮助网络加速走出平坦...
MATLAB程序代码--BP神经网络的设计实例
搜 试试 7 帮助 全部 DOC PPT TXT PDF XLS ...MATLAB编程程序代码,BP神经网络应用基础知识,通用代码...例 3 用 BP 网络估计胆固醇含量 这是一个将神经...
BP神经网络matlab实例
搜 试试 7 帮助 全部 DOC PPT TXT PDF XLS ...BP神经网络matlab实例_计算机软件及应用_IT/计算机_专业...高级教师 843 41510 3.7 文档数 浏览总量 总评分...
更多相关标签:
bp神经网络matlab例子 | bp神经网络 例子 | bp神经网络分类例子 | bp神经网络 | bp神经网络matlab实例 | bp神经网络算法 | python bp神经网络 | bp神经网络预测 |