BP系统建模.docx
《BP系统建模.docx》由会员分享，可在线阅读，更多相关《BP系统建模.docx（12页珍藏版）》请在冰点文库上搜索。
BP系统建模
采用BP神经网络：
所要拟合的非线性函数为：
其中：
x
（-44）
各个训练参数：
隐层神经元个数：
10设置输入范围：
（-44）学习步长：
lr=0.005
迭代结束条件：
E0=0.01初始权值和阈值选取：
（-0.10.1）
functionmain（）;
clearall;
closeall;
samnum=101;%用101个数据对来训练神经网络
testsamum=101;%用另外101个数据对来验证神经网络的学习效果
hiddenunitnum=10;%隐单元数目定义为10
indim=1;%输入层神经元数目定义为1
outdim=1;%输出层神经元数目定义为1
rand（'state',sum（100*clock））;%设置随机数产生的模式
samin=8*rand（1,samnum）-4;%设置输入为（-4，4）
samout=samin.*sin（samin）+4*exp（-samin.^2）+0.1*samin;%计算相应的输出
testsamin=-4:
0.08:
4;%生成用于检验的数据
testsamout=testsamin.*sin（testsamin）+4*exp（-testsamin.^2）+0.1*testsamin;
maxepochs=10000;%最大的迭代次数
lr=0.005;%学习步长
E0=0.01;%结束迭代的另一个条件，总误差
w1=0.2*rand（hiddenunitnum,indim）-0.1;%初始权值和阈值选取为（-0.1，0.1）
b1=0.2*rand（hiddenunitnum,1）-0.1;
w2=0.2*rand（outdim,hiddenunitnum）-0.1;
b2=0.2*rand（outdim,1）-0.1;
w1ex=[w1b1];
w2ex=[w2b2];
saminex=[samin'ones（samnum,1）]';
errorhistory=[];
fori=1:
maxepochs
hiddenout=logsig（w1ex*saminex）;%前向计算（输入层至隐层，采用S函数
hiddenoutex=[hiddenout'ones（samnum,1）]';
networkout=w2ex*hiddenoutex;%计算系统输出
error=samout-networkout;%计算网络输出与期望输出误差
SSE=sumsqr（error）;%计算二次总误差
errorhistory=[errorhistorySSE];
ifSSEdelta2=error;
delta1=w2'*delta2.*hiddenout.*（1-hiddenout）;%根据权值修改公式，计算权值
%修改量
dw2ex=delta2*hiddenoutex';
dw1ex=delta1*saminex';
w1ex=w1ex+lr*dw1ex;%修改权值
w2ex=w2ex+lr*dw2ex;
w2=w2ex（:
1:
hiddenunitnum）;
end;
testinex=[testsamin'ones（testsamum,1）]';
testhiddenout=logsig（w1ex*testinex）;%应用测试数据测试
testhiddenoutex=[testhiddenout'ones（testsamum,1）]';%神经网络的泛化能力
testnnout=w2ex*testhiddenoutex;
figure
holdon
grid
plot（testsamin,testsamout,'r+'）;%输出测试曲线
plot（testsamin,testnnout,'k-'）;
figure%输出结果学习误差曲线
holdon
grid
[xx,num]=size（errorhistory）;
plot（1:
num,errorhistory,'r-'）;
一．初始权值和学习步长不变，隐层神经元个数改变。
若w1=0.2*rand（hiddenunitnum,indim）-0.1;
b1=0.2*rand（hiddenunitnum,1）-0.1;
w2=0.2*rand（outdim,hiddenunitnum）-0.1;
b2=0.2*rand（outdim,1）-0.1;
（1）隐层神经元个数hiddenunitnum=5
仿真结果如下：
（2）隐层神经元个数hiddenunitnum=20
仿真结果如下：
二、隐层神经元个数和学习步长不变，初始权值改变
（1）初始权值如下：
w1=0.8*rand（hiddenunitnum,indim）-0.4;
b1=0.8*rand（hiddenunitnum,1）-0.4;
w2=0.8*rand（outdim,hiddenunitnum）-0.4;
b2=0.8*rand（outdim,1）-0.4;
仿真结果如下：
（2）、初始权值如下：
w1=0.1*rand（hiddenunitnum,indim）-0.05;
b1=0.1*rand（hiddenunitnum,1）-0.05;
w2=0.1*rand（outdim,hiddenunitnum）-0.05;
b2=0.1*rand（outdim,1）-0.05;
仿真结果如下：
三．隐层神经元个数和初始权值不变，学习步长改变
（1）学习步长lr=0.01
（2）学习步长lr=0.008
（3）学习步长lr=0.003
升级会员 