用Matlab算BP神经网络的具体算法

[如何计用公式算工龄]工龄分3部分：几年几个月几天，分别是：年：=YEAR(A1)-YEAR(B1)-IF(MONTH(A1)<MONTH(B1),1,IF(MONTH(A1)=MONTH(B1),IF(DAY(A1)<DAY(B1),1,0))) 月：=MONTH(A1)+IF(MONTH(A1)<MONTH(B...+阅读

用Matlab算BP神经网络的具体算法

BP神经网络的传递函数一般采用sigmiod函数，学习算法一般采用最小梯度下降法；下面是具体的程序例子：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；学习速率 net.trainParam.mc = 0.9；动量系数 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

直接用神经网络工具箱构建bp神经网络希望能给个例子说明有注

BP(Back Propagation)神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层（hidden layer）和输出层（output layer）。附件就是利用神经网络工具箱构建BP神经网络进行预测的实例。如果要用可视化工具，可以在命令窗口输入nntool.

BP神经网络的Matlab编程

#include #include #define RUN 1 void swap(int *a, int *b) { int temp; temp = *a; *a = *b; *b = temp; } void change(int *p) { int i; int j; int *pmax = p, *pmin = p; for (i = 0 ; i < 5 ; i++) { for (j = 0 ; j < 5 ; j++) { if (*pmax < *(p + 5*i + j)) { pmax = (p + 5*i + j); } if (*pmin > *(p + 5*i + j)) { pmin = (p + 5*i + j); } } } swap(pmin, p); swap(pmax, (p + 12)); #if RUN printf(＂%d %d\n＂, *p, *(p + 12)); #endif pmin = (p + 1); for (i = 0 ; i < 5 ; i++) { for (j = 0 ; j < 5 ; j++) { if (*pmin > *(p + 5*i + j) && (i != 0 || j != 0)) { pmin = (p + 5*i + j); } } } swap(pmin, (p + 4)); #if RUN printf(＂%d\n＂, *(p + 4)); #endif pmin = (p + 1); for (i = 0 ; i < 5 ; i++) { for (j = 0 ; j < 5 ; j++) { if (*pmin > *(p + 5*i + j) && (i != 0 || j != 0) && (i != 0 || j != 4)) { pmin = (p + 5*i +j); } } } swap(pmin, (p + 5*4)); #if RUN printf(＂%d\n＂, *(p + 20)); #endif pmin = (p + 1); for (i = 0 ; i < 5 ; i++) { for (j = 0 ; j < 5 ; j++) { if (*pmin > *(p + 5*i + j) && (i != 0 || j != 0) && (i != 4 || j != 0) && (i != 0 || j != 4)) { pmin = (p + 5*i + j); } } } swap(pmin, (p + 4*5 + 4)); #if RUN printf(＂%d\n＂, *(p + 24)); #endif } main() { int a[5][5]; int *p1 = &a[0][0]; int i, j; printf(＂input the numbers:\n＂); for (i = 0 ; i < 5 ; i++) { for (j = 0 ; j < 5 ; j++) { scanf(＂%d＂, &a[i][j]); } } change(p1); printf(＂the new is:\n＂); for (i = 0 ; i < 5 ; i++) { for (j = 0 ; j < 5 ; j++) { printf(＂%d ＂, *(p1 + 5*i + j)); } printf(＂\n＂); } getch(); }

求BP神经网络的MATLAB算法

以常用的三层BP为例：

net=newff(P,T,{m},{'tansig'},'trainlm')；//用newff建立新的网络net,P为样本输入，T为目标输出，m为隐层的神经元数目，tansig为隐层到输出层的传输函数，如果是多隐层则要给出每层的输出函数，trainlm为训练函数

net.trainParam.goal = 0.01； //设置要达到的误差精度 net.trainParam.epochs = 6000； //设置训练次数，6000次 [net,tr] = train(net,p',t)； //开始训练网络

然后就可以看到结果了，包括训练的进程结果，最后可以用sim函数进行预测 a=sim(net,R);//R为测试数据，a为网络输出

也可以直接用神经网络工具箱进行设计，比较简单直观化，内置样本数据的归一化，精度更好一些