matlab的BP神經網路例子程式
1. BP神經網路的設計例項
例1. 採用動量梯度下降演算法訓練BP 網路。
訓練樣本定義如下:
輸入向量為
p =[-1 -2 3 1;-1 1 5 -3]
目標向量為 t = [-1 -1 1 1]
解:本例的 MATLAB 程式如下:
close all
clear
echo on
clc
% NEWFF——生成一個新的前向神經網路
% TRAIN——對 BP 神經網路進行訓練
% SIM——對 BP 神經網路進行模擬
pause
% 敲任意鍵開始
clc
% 定義訓練樣本
% P 為輸入向量
P=[-1, -2, 3, 1; -1, 1, 5, -3];
% T 為目標向量
T=[-1, -1, 1, 1];
pause;
clc
% 建立一個新的前向神經網路
net=newff(minmax(P),[3,1],{'tansig','purelin'},'traingdm')
% 當前輸入層權值和閾值
inputWeights=net.IW{1,1}
inputbias=net.b{1}
% 當前網路層權值和閾值
layerWeights=net.LW{2,1}
layerbias=net.b{2}
pause
clc
% 設定訓練引數
net.trainParam.show = 50;
net.trainParam.lr = 0.05;
net.trainParam.mc = 0.9;
net.trainParam.epochs = 1000;
net.trainParam.goal = 1e-3;
pause
clc
% 呼叫 TRAINGDM 演算法訓練 BP 網路
[net,tr]=train(net,P,T);
pause
clc
% 對 BP 網路進行模擬
A = sim(net,P)
% 計算模擬誤差
E = T - A
MSE=mse(E)
pause
clc
echo off
例2. 採用貝葉斯正則化演算法提高 BP 網路的推廣能力。在本例中,我們採用兩種訓練方法,即 L-M 優化演算法(trainlm)和貝葉斯正則化演算法(trainbr),用以訓練 BP 網路,使其能夠擬合某一附加有白噪聲的正弦樣本資料。其中,樣本資料可以採用如下MATLAB 語句生成:
輸入向量:P = [-1:0.05:1];
目標向量:randn(’seed’,78341223);
T = sin(2*pi*P)+0.1*randn(size(P));
解:本例的 MATLAB 程式如下:
close all
clear
echo on
clc
% NEWFF——生成一個新的前向神經網路
% TRAIN——對 BP 神經網路進行訓練
% SIM——對 BP 神經網路進行模擬
pause
% 敲任意鍵開始
clc
% 定義訓練樣本向量
% P 為輸入向量
P = [-1:0.05:1];
% T 為目標向量
randn('seed',78341223); T = sin(2*pi*P)+0.1*randn(size(P));
% 繪製樣本資料點
plot(P,T,'+');
echo off
hold on;
plot(P,sin(2*pi*P),':');
% 繪製不含噪聲的正弦曲線
echo on
clc
pause
clc
% 建立一個新的前向神經網路
net=newff(minmax(P),[20,1],{'tansig','purelin'});
pause
clc
echo off
clc
disp('1. L-M 優化演算法 TRAINLM'); disp('2. 貝葉斯正則化演算法 TRAINBR');
choice=input('請選擇訓練演算法(1,2):');
figure(gcf);
if(choice==1)
echo on
clc
% 採用 L-M 優化演算法 TRAINLM
net.trainFcn='trainlm';
pause
clc
% 設定訓練引數
net.trainParam.epochs = 500;
net.trainParam.goal = 1e-6;
net=init(net);
% 重新初始化
pause
clc
elseif(choice==2)
echo on
clc
% 採用貝葉斯正則化演算法 TRAINBR
net.trainFcn='trainbr';
pause
clc
% 設定訓練引數
net.trainParam.epochs = 500;
randn('seed',192736547);
net = init(net);
% 重新初始化
pause
clc
end
例2. % 呼叫相應演算法訓練 BP 網路
[net,tr]=train(net,P,T);
pause
clc
% 對 BP 網路進行模擬
A = sim(net,P);
% 計算模擬誤差
E = T - A;
MSE=mse(E)
pause
clc
% 繪製匹配結果曲線
close all;
plot(P,A,P,T,'+',P,sin(2*pi*P),':');
pause;
clc
echo off
通過採用兩種不同的訓練演算法,我們可以得到兩種擬合結果。圖中的實線表示擬合曲線,虛線代表不含白噪聲的正弦曲線,“+”點為含有白噪聲的正弦樣本資料點。顯然,經 trainlm 函式訓練後的神經網路對樣本資料點實現了“過度匹配”,而經 trainbr 函式訓練的神經網路對噪聲不敏感,具有較好的推廣能力。
值得指出的是,在利用 trainbr 函式訓練 BP 網路時,若訓練結果收斂,通常會給出提示資訊“Maximum MU reached”。此外,使用者還可以根據 SSE 和 SSW 的大小變化情況來判斷訓練是否收斂:當 SSE 和 SSW 的值在經過若干步迭代後處於恆值時,則通常說明網路訓練收斂,此時可以停止訓練。觀察trainbr 函式訓練 BP 網路的誤差變化曲線,可見,當訓練迭代至 320 步時,網路訓練收斂,此時 SSE 和 SSW 均為恆值,當前有效網路的引數(有效權值和閾值)個數為 11.7973。
例3 採用“提前停止”方法提高 BP 網路的推廣能力。對於和例 2相同的問題,在本例中我們將採用訓練函式 traingdx 和“提前停止”相結合的方法來訓練 BP 網路,以提高 BP 網路的推廣能力。
解:在利用“提前停止”方法時,首先應分別定義訓練樣本、驗證樣本或測試樣本,其中,驗證樣本是必不可少的。在本例中,我們只定義並使用驗證樣本,即有
驗證樣本輸入向量:val.P = [-0.975:.05:0.975]
驗證樣本目標向量:val.T = sin(2*pi*val.P)+0.1*randn(size(val.P))
值得注意的是,儘管“提前停止”方法可以和任何一種 BP 網路訓練函式一起使用,但是不適合同訓練速度過快的演算法聯合使用,比如 trainlm 函式,所以本例中我們採用訓練速度相對較慢的變學習速率演算法 traingdx 函式作為訓練函式。
本例的 MATLAB 程式如下:
close all
clear
echo on
clc
% NEWFF——生成一個新的前向神經網路
% TRAIN——對 BP 神經網路進行訓練
% SIM——對 BP 神經網路進行模擬
pause
% 敲任意鍵開始
clc
% 定義訓練樣本向量
% P 為輸入向量
P = [-1:0.05:1];
% T 為目標向量
randn('seed',78341223);
T = sin(2*pi*P)+0.1*randn(size(P));
% 繪製訓練樣本資料點
plot(P,T,'+');
echo off
hold on;
plot(P,sin(2*pi*P),':'); % 繪製不含噪聲的正弦曲線
echo on
clc
pause
clc
% 定義驗證樣本
val.P = [-0.975:0.05:0.975]; % 驗證樣本的輸入向量
val.T = sin(2*pi*val.P)+0.1*randn(size(val.P)); % 驗證樣本的目標向量
pause
clc
% 建立一個新的前向神經網路
net=newff(minmax(P),[5,1],{'tansig','purelin'},'traingdx');
pause
clc
% 設定訓練引數
net.trainParam.epochs = 500;
net = init(net);
pause
clc
% 訓練 BP 網路
[net,tr]=train(net,P,T,[],[],val);
pause
clc
% 對 BP 網路進行模擬
A = sim(net,P);
% 計算模擬誤差
E = T - A;
MSE=mse(E)
pause
clc
% 繪製模擬擬合結果曲線
close all;
plot(P,A,P,T,'+',P,sin(2*pi*P),':');
pause;
clc
echo off
[net,tr]=train(net,P,T,[],[],val);
TRAINGDX, Epoch 0/500, MSE 0.504647/0, Gradient 2.1201/1e-006
TRAINGDX, Epoch 25/500, MSE 0.163593/0, Gradient 0.384793/1e-006
TRAINGDX, Epoch 50/500, MSE 0.130259/0, Gradient 0.158209/1e-006
TRAINGDX, Epoch 75/500, MSE 0.086869/0, Gradient 0.0883479/1e-006
TRAINGDX, Epoch 100/500, MSE 0.0492511/0, Gradient 0.0387894/1e-006
TRAINGDX, Epoch 125/500, MSE 0.0110016/0, Gradient 0.017242/1e-006
TRAINGDX, Epoch 136/500, MSE 0.0102565/0, Gradient 0.01203/1e-006
TRAINGDX, Validation stop.