资源描述：
《BP神经网络Matlab实例.docx》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、变量mu确定了学习是根据牛顿法还是梯度法来完成，下式为更新参数的L-M规则： % jj=jX*jX% je=jX*E% dX=-(jj+I*mu)je随着mu的增大，LM的项jj可以忽略。因此学习过程主要根据梯度下降即mu/je项，只要迭代使误差增加，mu也就会增加，直到误差不再增加为止，但是，如果mu太大，则会使学习停止，当已经找到最小误差时，就会出现这种情况，这就是为什么当mu达到最大值时要停止学习的原因。mu为u的初始值，默认为0.001mu_dec为u的减小率，默认为0.1mu_inc为u的
2、增长率，默认为10mu_max为u的最大值，默认为1e10BP神经网络Matlab实例（1）采用Matlab工具箱函数建立神经网络，对一些基本的神经网络参数进行了说明，深入了解参考Matlab帮助文档。%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=[-1-23 1 % -1 15-3] %目标矢量为 t=[-1-111] closeall clear clc %--------------------------------------------
3、-------------------%NEWFF——生成一个新的前向神经网络,函数格式：%net=newff(PR,[S1S2...SNl],{TF1TF2...TFNl},BTF,BLF,PF)takes,%PR--Rx2matrixofminandmaxvaluesforRinputelements%（对于R维输入，PR是一个Rx2的矩阵，每一行是相应输入的边界值）%Si--第i层的维数%TFi--第i层的传递函数,default='tansig'%BTF--反向传播网络的训练函数,default='traingd
4、x'%BLF--反向传播网络的权值/阈值学习函数,default='learngdm'%PF--性能函数,default='mse'%---------------------------------------------------------------%TRAIN——对BP神经网络进行训练，函数格式：% train(NET,P,T,Pi,Ai,VV,TV)，输入参数：%net--所建立的网络%P--网络的输入%T--网络的目标值,default=zeros%Pi--初始输入延迟,default=zeros%Ai
5、--初始网络层延迟,default=zeros%VV--验证向量的结构,default=[]%TV--测试向量的结构,default=[]%返回值：%net--训练之后的网络%TR--训练记录(训练次数及每次训练的误差)%Y--网络输出%E--网络误差%Pf--最终输入延迟%Af--最终网络层延迟%---------------------------------------------------------------%SIM——对BP神经网络进行仿真，函数格式：%[Y,Pf,Af,E,perf]=sim(net,P
6、,PiAi,T)%参数与前同。%---------------------------------------------------------------% % 定义训练样本 %P为输入矢量 echoonP=[-1, -2, 3, 1; -1, 1, 5, -3]; %T为目标矢量 T=[-1,-1,1,1]; % 创建一个新的前向神经网络 net=newff(minmax(P),[3,1],{'tansig','purelin'},'traingdm') %------
7、---------------------------------------------------------%训练函数：traingdm，功能：以动量BP算法修正神经网络的权值和阈值。%它的相关特性包括：%epochs：训练的次数，默认：100%goal：误差性能目标值，默认：0%lr：学习率，默认：0.01%max_fail：确认样本进行仿真时，最大的失败次数，默认：5%mc：动量因子，默认：0.9%min_grad：最小梯度值，默认：1e-10%show：显示的间隔次数，默认：25%time：训练的最长时间，默
8、认：inf%---------------------------------------------------------------% 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=n
