资源描述：
《学习神经网络的好助手.docx》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。
1、学习神经网络的好助手，可以仿照其中的代码，只需要修改个别参数便可以轻易实现自己需要完成的任务。1.BP网络构建（1）生成BP网络Net=newff(PR,
2、S1S2…SN
3、,{TF1TF2…TFNl},BTF,BLF,PF)PR:由R维的输入样本最小最大值构成的RX2维矩阵。[S1S2…SNl]：各层的神经元个数。{TF1TF2…TFNl}}：各层的神经元传递函数。BTF：表示网络的训练函数。默认为‘trainlm’BLF：表示网络的权值学习函数。默认为‘learngdm’PF：表示性能数，默认为‘mse’（2
4、）网络训练[net,tr,Y,E,Pf,Af]=train(net,P,T,PiAi,VV,TV)(3)网络仿真[Y,Pf,Af,E,,Perf]=sim(net,P,Pi,Ai,T)BP网络的训练函数训练方法训练函数梯度下降法trainged有动量的梯度下降法Traingdm有适应lr的梯度下降法Traingda有适应lr的动量梯度下降法Traingdx弹性梯度下降法TrainrpFletcher-Reeves共轭梯度法TraincgfPloak-Bibiere共轭梯度法TraincgpPowell-Beal
5、e共轭梯度法Traincgd量化共轭梯度法Trainscp拟牛顿算法Trainbfg一步正割算法TrainossLevenberg-MarquardttrainlmBP网络训练参数训练参数参数介绍训练参数net,trainParam.epochs最大训练次数（缺省为10）TraingedTraingdmTraingdaTraingdxTrainrpTraincgfTraincgpTraincgdTrainscpTrainbfgTrainossTrainlmnet,trainParam.goal训练要求精度（缺省
6、为0）TraingedTraingdmTraingdaTraingdxTrainrpTraincgfTraincgpTraincgdTrainscpTrainbfgTrainossTrainlmnet,trainParam.lr学习率（缺省为0.01）12个，同上net,trainParam.max_fail最大失败次数（缺省为5）12个，同上net,trainParam.min_grad最小梯度要求（缺省为1e-10）12个，同上net,trainParam.show显示训练迭代过程（NaN表示不显示，缺省为
7、25）12个，同上net,trainParam.time最大训练时间（缺省为inf）12个，同上net,trainParam.mc动量因子（缺省为0.9）traindm,traindxnet,trainParam.lr_inc学习率lr增长比（缺省为1.05）trainda,traindxnet,trainParam.lr_dec学习率lr下降比（缺省为0.7）trainda,traindxnet,trainParam.max_perf_inc表现函数增加最大比（缺省为1.04）trainda,traindxn
8、et,trainParam.delt_inc权值变化增加量（缺省为1.2）trainrpnet,trainParam.delt_dec权值变化减小量（缺省为0.5）trainrpnet,trainParam.delt_0初始权值变化（缺省为0.07）trainrpnet,trainParam.delt_amax权值变化最大值（缺省为50.0）trainrpnet,trainParam.searchFcn一维线性搜索方法（缺省为srchcha）traincgftraincgptraincgbtrainbfgtra
9、inossnet,trainParam.sigma因为二次求导对权值调整的影响参数（缺省为5.0e-5）trainscgnet,trainParam.lambdaHessian矩阵不确定性调节参数（缺省为5.0e-7）trainscgnet,trainParam.men_reduc控制计算机内存/速度的参数，内存较大设为1，否则设为2（缺省为1）trainlmnet,trainParam.mum的初始值（缺省为0.01）trainlmnet,trainParam.mu_decm的减小率（缺省为0.1）train
10、lmnet,trainParam.mu_incm的增长率（缺省为10）trainlmnet,trainParam.mu_maxm的最大值（缺省为1e10）trainlm2,BP网络举例例一%traingdclear;clc;p=[-1-1224;05057];T=[-1-111-1]%利用minmax函数求输入样本范围net=newff（minmax(p),[5,1],{‘tansig
