BP网络.docx
《BP网络.docx》由会员分享，可在线阅读，更多相关《BP网络.docx（16页珍藏版）》请在冰点文库上搜索。
BP网络
请问如何用MATLAB的神经网络工具箱实现三层BP网络？
%读入训练数据和测试数据
Input=[];
Output=[];
str={'Test','Check'};
Data=textread（[str{1},'.txt']）;
%读训练数据
Input=Data（:
1:
end-1）;
%取数据表的前五列（主从成分）
Output=Data（:
end）;
%取数据表的最后一列（输出值）
Data=textread（[str{2},'.txt']）;
%读测试数据
CheckIn=Data（:
1:
end-1）;
%取数据表的前五列（主从成分）
CheckOut=Data（:
end）;
%取数据表的最后一列（输出值）
Input=Input';
Output=Output';
CheckIn=CheckIn';
CheckOut=CheckOut';
%矩阵赚置
[Input,minp,maxp,Output,mint,maxt]=premnmx（Input,Output）;
%标准化数据
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%神经网络参数设置
%====可以修正处
Para.Goal=0.0001;
%网络训练目标误差
Para.Epochs=800;
%网络训练代数
Para.LearnRate=0.1;
%网络学习速率
%====
Para.Show=5;
%网络训练显示间隔
Para.InRange=repmat（[-11],size（Input,1）,1）;
%网络的输入变量区间
Para.Neurons=[size（Input,1）*2+11];
%网络后两层神经元配置
Para.TransferFcn={'logsig''purelin'};
%各层的阈值函数
Para.TrainFcn='trainlm';
%网络训练函数赋值
%traingd:
梯度下降后向传播法
%traingda:
自适应学习速率的梯度下降法
%traingdm:
带动量的梯度下降法
%traingdx:
%带动量，自适应学习速率的梯度下降法
Para.LearnFcn='learngdm';
%网络学习函数
Para.PerformFcn='sse';
%网络的误差函数
Para.InNum=size（Input,1）;
%输入量维数
Para.IWNum=Para.InNum*Para.Neurons
（1）;
%输入权重个数
Para.LWNum=prod（Para.Neurons）;
%层权重个数
Para.BiasNum=sum（Para.Neurons）;
%偏置个数
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
Net=newff（Para.InRange,Para.Neurons,Para.TransferFcn,...
Para.TrainFcn,Para.LearnFcn,Para.PerformFcn）;
%建立网络
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%Net.trainParam.show=Para.Show;
%训练显示间隔赋值
Net.trainParam.goal=Para.Goal;
%训练目标误差赋值
Net.trainParam.lr=Para.LearnRate;
%网络学习速率赋值
Net.trainParam.epochs=Para.Epochs;
%训练代数赋值
Net.trainParam.lr=Para.LearnRate;
Net.performFcn=Para.PerformFcn;
%误差函数赋值
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%调试
Out1=sim（Net,Input）;
%仿真刚建立的网络
Sse1=sse（Output-Out1）;
%刚建立的网络误差
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
[NetTR]=train（Net,Input,Output）;
%训练网络并返回
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
Out3=sim（Net,Input）;
%对学习训练后的网络仿真
关于用遗传算法改进BP神经网络的matlab实现（转引）
ga优化神经网权值&阈值程序。
优化的基本原理和过程很多论文可以查到，在此不必赘述我就把用gaot5的小程序贴在下面吧，也是y=1/x（为看的方便，比较繁杂的也有）
file:
gabp.m
%**************************************
clearall
%用GA训练BP网络的权值、阈值
%开始计时
tic,
%BP网络初始化
[P,T,R,S1,S2,S]=bpinit;
bounds=ones（S,1）*[-1010];
%初始种群个数
num=60;
pop=initializega（num,bounds,'fitness'）;
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%clearall
%%用GA训练BP网络的权值、阈值
%%开始计时
%tic,
%%BP网络初始化
%[P,T,R,S1,S2,S]=bpinit;
%bounds=ones（S,1）*[0.10.9];
%%初始种群个数
%num=60;
%pop=initializega（num,bounds,'fitness'）;
%%遗传代数
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%遗传代数
gen=500;
[xendPopbPoptrace]=ga（bounds,'fitness',[],pop,[1e-611],'maxGenTerm',gen,...
'normGeomSelect',[0.09],['arithXover'],[2],'nonUnifMutation',[2gen3]）;
fori=1:
S
x（i）=endPop（1,i）;
end;
sum=0;
%前R*S1个编码为W1
fori=1:
S1,
fork=1:
R,
W1（i,k）=x（R*（i-1）+k）;
end
end
%接着的S1*S2个编码（即第R*S1个后的编码）为W2
fori=1:
S2,
fork=1:
S1,
W2（i,k）=x（S1*（i-1）+k+R*S1）;
end
end
%接着的S1个编码（即第R*S1+S1*S2个后的编码）为B1
fori=1:
S1,
B1（i,1）=x（（R*S1+S1*S2）+i）;
end
%接着的S2个编码（即第R*S1+S1*S2+S1个后的编码）为B2
fori=1:
S2,
B2（i,1）=x（（R*S1+S1*S2+S1）+i）;
end
%计算S1与S2层的输出
fori=1:
100
x1=W1*P（i）+B1;
A1=1./（1+exp（-x1））;
x2=W2*A1+B2;
A2=1./（1+exp（-x2））;
%A1=logsig（W1*P（1:
17,i）,B1）;
%A2=logsig（W2*A1,B2）;
YY（i）=A2;
%计算误差平方和
%SE=;
%sum=sum+sumsqr（T（i）-A2）;
end
i=1:
1:
100
plot（i,YY（i）,'r+',i,T（i）,'b-'）;
%[W1B1W2B2]=gadecod（x）;
%仿真结果
%TT=simuff（P,W1,B1,'logsig',W2,B2,'logsig'）
toc%结束计时
>>file:
fitness.m
function[sol,eval]=fitness（sol,options）
[P,T,R,S1,S2,S]=bpinit;
numv=size（sol,2）-1;
x=sol（1:
numv）;
eval=f（x）;
>>file:
f.m
function[eval]=f（sol）
numv=size（sol,2）;
x=sol（1:
numv）;
[P,T,R,S1,S2,S]=bpinit;
%getthevalueoffitness
%前R*S1个编码为W1
fori=1:
S1
fork=1:
R,
W1（i,k）=x（R*（i-1）+k）;
end
end
%接着的S1*S2个编码（即第R*S1个后的编码）为W2
fori=1:
S2
fork=1:
S1,
W2（i,k）=x（S1*（i-1）+k+R*S1）;
end
end
%接着的S1个编码（即第R*S1+S1*S2个后的编码）为B1
fori=1:
S1
B1（i,1）=x（（R*S1+S1*S2）+i）;
end
%接着的S2个编码（即第R*S1+S1*S2+S1个后的编码）为B2
fori=1:
S2
B2（i,1）=x（（R*S1+S1*S2+S1）+i）;
end
sum=0;
SE=0;
fori=1:
100
x1=W1*P（i）+B1;
A1=1./（1+exp（-x1））;
x2=W2*A1+B2;
A2=1./（1+exp（-x2））;
%A1=logsig（W1*P（1:
17,i）,B1）;
%A2=logsig（W2*A1,B2）;
%计算误差平方和
SE=sumsqr（T（i）-A2）;
sum=sum+SE;
end
eval=10/sum;%遗传算法的适应值
>>file:
bpinit.m
%BP网络初始化:
给出网络的训练样本P、T,
%输入、输出数及隐含神经元数R,S2,S1
function[P,T,R,S1,S2,S]=bpinit;
fori=1:
100
P（i）=i;
T（i）=1/P（i）;
end
[R,Q]=size（P）;%R=1
[S2,Q]=size（T）;%S2=1
S1=3;%3nu
S=R*S1+S1*S2+S1+S2;%遗传算法编码长度
下面是我写的PSO训练BP网络的代码，训练样本被我抽去了。
各位下载后，适当修改即可运行。
如有问题，先自行研究，实在不行再请发帖或Email交流。
functionpsobp
%BPneuralnetworktrainedbyPSOalgorithm
%CopyrightbyDengDa-Peng@2005
%Email:
rexdeng@
%Youcanchangeanddistributethiscodefreelyforacademicusage
%Businessusageisstrictlyprohibited
clc
clearall
AllSamIn=...;%Addyourallinputdata
AllSamOut-...;%Addyouralloutputdata
%Pre-processingdatawithpremnmx,youcanuseotherfunctions
globalminAllSamOut;
globalmaxAllSamOut;
[AllSamInn,minAllSamIn,maxAllSamIn,AllSamOutn,minAllSamOut,maxAllSamOut]=premnmx（AllSamIn,AllSamOut）;
%draw10percentfromallsamplesastestingsamples，therestastrainingsamples
i=[10:
10:
1000];
TestSamIn=[];
TestSamOut=[];
forj=1:
100
TestSamIn=[TestSamIn,AllSamInn（:
i（j））];
TestSamOut=[TestSamOut,AllSamOutn（:
i（j））];
end
TargetOfTestSam=...;%addrealloutputoftestingsamples
TrainSamIn=AllSamInn;
TrainSamOut=AllSamOutn;
TrainSamIn（:
i）=[];
TrainSamOut（:
i）=[];
%EvaluatingSample
EvaSamIn=...
EvaSamInn=tramnmx（EvaSamIn,minAllSamIn,maxAllSamIn）;%preprocessing
globalPtrain;
Ptrain=TrainSamIn;
globalTtrain;
Ttrain=TrainSamOut;
Ptest=TestSamIn;
Ttest=TestSamOut;
%InitializeBPNparameters
globalindim;
indim=5;
globalhiddennum;
hiddennum=3;
globaloutdim;
outdim=1;
%InitializePSOparameters
vmax=0.5;%Maximumvelocity
minerr=0.001;%Minimumerror
wmax=0.90;
wmin=0.30;
globalitmax;%Maximumiterationnumber
itmax=300;
c1=2;
c2=2;
foriter=1:
itmax
W（iter）=wmax-（（wmax-wmin）/itmax）*iter;%weightdeclininglinearly
end
%particlesareinitializedbetween（a,b）randomly
a=-1;
b=1;
%Between（m,n）,（whichcanalsobestartedfromzero）
m=-1;
n=1;
globalN;%numberofparticles
N=40;
globalD;%lengthofparticle
D=（indim+1）*hiddennum+（hiddennum+1）*outdim;
%Initializepositionsofparticles
rand（'state',sum（100*clock））;
X=a+（b-a）*rand（N,D,1）;
%Initializevelocitiesofparticles
V=m+（n-m）*rand（N,D,1）;
globalfvrec;
MinFit=[];
BestFit=[];
%Functiontobeminimized,performancefunction,i.e.,mseofnetwork
globalnet;
net=newff（minmax（Ptrain）,[hiddennum,outdim],{'tansig','purelin'}）;
fitness=fitcal（X,net,indim,hiddennum,outdim,D,Ptrain,Ttrain,minAllSamOut,maxAllSamOut）;
fvrec（:
1,1）=fitness（:
1,1）;
[C,I]=min（fitness（:
1,1））;
MinFit=[MinFitC];
BestFit=[BestFitC];
L（:
1,1）=fitness（:
1,1）;%recordthefitnessofparticleofeveryiterations
B（1,1,1）=C;%recordtheminimumfitnessofparticle
gbest（1,:
1）=X（I,:
1）;%theglobalbestxinpopulation
%Matrixcomposedofgbestvector
forp=1:
N
G（p,:
1）=gbest（1,:
1）;
end
fori=1:
N;
pbest（i,:
1）=X（i,:
1）;
end
V（:
:
2）=W
（1）*V（:
:
1）+c1*rand*（pbest（:
:
1）-X（:
:
1））+c2*rand*（G（:
:
1）-X（:
:
1））;
%V（:
:
2）=cf*（W
（1）*V（:
:
1）+c1*rand*（pbest（:
:
1）-X（:
:
1））+c2*rand*（G（:
:
1）-X（:
:
1）））;
%V（:
:
2）=cf*（V（:
:
1）+c1*rand*（pbest（:
:
1）-X（:
:
1））+c2*rand*（G（:
:
1）-X（:
:
1）））;
%limitsvelocityofparticlesbyvmax
forni=1:
N
fordi=1:
D
ifV（ni,di,2）>vmax
V（ni,di,2）=vmax;
elseifV（ni,di,2）<-vmax
V（ni,di,2）=-vmax;
else
V（ni,di,2）=V（ni,di,2）;
end
end
end
X（:
:
2）=X（:
:
1）+V（:
:
2）;
%******************************************************
forj=2:
itmax
disp（'IterationandCurrentBestFitness'）
disp（j-1）
disp（B（1,1,j-1））
%Calculationofnewpositions
fitness=fitcal（X,net,indim,hiddennum,outdim,D,Ptrain,Ttrain,minAllSamOut,maxAllSamOut）;
fvrec（:
1,j）=fitness（:
1,j）;
%[maxC,maxI]=max（fitness（:
1,j））;
%MaxFit=[MaxFitmaxC];
%MeanFit=[MeanFitmean（fitness（:
1,j））];
[C,I]=min（fitness（:
1,j））;
MinFit=[MinFitC];
BestFit=[BestFitmin（MinFit）];
L（:
1,j）=fitness（:
1,j）;
B（1,1,j）=C;
gbest（1,:
j）=X（I,:
j）;
[C,I]=min（B（1,1,:
））;
%keepgbestisthebestparticleofallhaveoccured
ifB（1,1,j）<=C
gbest（1,:
j）=gbest（1,:
j）;
else
gbest（1,:
j）=gbest（1,:
I）;
end
ifC<=minerr,break,end
%Matrixcomposedofgbestvector
ifj>=itmax,break,end
forp=1:
N
G（p,:
j）=gbest（1,:
j）;
end
fori=1:
N;
[C,I]=min（L（i,1,:
））;
ifL（i,1,j）<=C
pbest（i,:
j）=X（i,:
j）;
else
pbest（i,:
j）=X（i,:
I）;
end
end
V（:
:
j+1）=W（j）*V（:
:
j）+c1*rand*（pbest（:
:
j）-X（:
:
j））+c2*rand*（G（:
:
j）-X（:
:
j））;
%V（:
:
j+1）=cf*（W（j）*V（:
:
j）+c1*rand*（pbest（:
:
j）-X（:
:
j））+c2*rand*（G（:
:
j）-X（:
:
j）））;
%V（:
:
j+1）=cf*（V（:
:
j）+c1*rand*（pbest（:
:
j）-X（:
:
j））+c2*rand*（G（:
:
j）-X（:
:
j）））;
forni=1:
N
fordi=1:
D
ifV（ni,di,j+1）>vmax
V（ni,di,j+1）=vmax;
elseifV（ni,di,j+1）<-vmax
V（ni,di,j+1）=-vmax;
else
V（ni,di,j+1）=V（ni,di,j+1）;
end
end
end
X（:
:
j+1）=X（:
:
j）+V（:
:
j+1）;
end
disp（'IterationandCurrentBestFitness'）
disp（j）
disp（B（1,1,j））
disp（'GlobalBestFitnessandOccurredIteration'）
[C,I]=min（B（1,1,:
））
%simulationnetwork
fort=1:
hiddennum
x2iw（t,:
）=gbest（1,（（t-1）*indim+1）:
t*indim,j）;
end
forr=1:
outdim
x2lw（r,:
）=gbest（1,（indim*hiddennum+1）:
（indim*hiddennum+hiddennum）,j）;
end
x2b=gbest（1,（（indim+1）*hiddennum+1）:
D,j）;
x2b1=x2b（1:
hiddennum）.';
x2b2=x2b（hiddennum+1:
hiddennum+outdim）.';
net.IW{1,1}=x2
升级会员 