BP神经网络matlab实现的基本步骤

《BP神经网络matlab实现的基本步骤》由会员分享，可在线阅读，更多相关《BP神经网络matlab实现的基本步骤（5页珍藏版）》请在装配图网上搜索。

1、1、数据归一化2、数据分类，主要包括打乱数据颠序，抽取止常训练用数据、变量数据、测试数据3、建立神经网络，包括设宜多少层网络(一般3层以内既可以，每层的节点数(貝体节点 数，尚无科学的模型和公式方法确定，可采用试凑法，但输出层的节点数应和需要输出的最 个数相等)，设置隐含层的传输函数等。关于网络具体建立使用方法，在后儿节的例子中将 会说到。4、指定训练参数进行训练，这步非常匝要，在例子中，将详细进行说明5、完成训练后，就可以调用训练结果，输入测试数据，进行测试6、数据进行反归一化7、误差分析、结果预测或分类，作图等数据归一化问题归一化的意义：首先说一下，在丁程应用领域中，应用BP网络的好坏最关

2、键的仍然是输入特征选择和训练 样本集的准备，若样本集代表性差、矛盾样本多、数齊归一化存在问题，那么，使用多复杂 的综介算法、多精致的网络结构，建立起來的模型预测效果不会多好。若想取得实际冇价值 的应用效果，从最基础的数据整理工作做起吧，会少走弯路的。归一化是为了加快训练网络的收敛性，只体做法是：1把数变为(0, 1)之间的小数主要是为了数据处理方便提出来的，把数据映射到0-1范用之内处理，更加便捷快速，应 该归到数字信号处理范畸之内。2把有量纲表达式变为无量纲表达式归一化是一种简化计算的方式，即将有龟纲的表达式，经过变换，化为无童纲的表达式，成 为纯量比如，复数阻抗可以归一化书写：Z = R

3、+ jcoL = R(14-joL/R),复数部分变成了纯数量了， 没有最纲。另外，微波之中也就是电路分析、信号系统、电磁波传输等，有很多运算都可以 如此处理，既保证了运算的便捷，又能凸现出物理量的本质含义。神经网络归一化方法：由于采集的各数据单位不一致，因而须对数据进行-1,1归一化处理，归一化方法主要有如 下几种，供人家参考：1、线性函数转换，表达式如下：代码：y=(x-MinValue)/(MaxValue-MinValue)说明；x、y分別为转换前、后的值,Max Value、Min alue分别为样本的最大值和最小值。2、对数函数转换，表达式如下：代码:y=loglO(x)说明：以1

4、0为底的対数曲数转换。3、反余切函数转换，表达式如下：代码：y=atan(x)*2/PImatlab中归一化的实现：matlab中的归一化处理有五种方法，只会其中一种就可以了，我喜欢用第4种，因为习惯和 方便注总：第一组和第二组归一化函数&. Matlab7.0以上已遗弃，他们的用法相似，pre”是归一 化，post*是反归一化，tram*是使用同样的设豐归一化另外一组数据1 内部函数 premnmx、postnmmx、tramnmx,将数据归一化到(-1,1)prenmmx的语法格式是代码:_Pn, minp, maxp, Tn, mint, maxt =premnmx (P, T)其中PT

5、分别为原始输入和输出数据，mmp和maxp分别为P中的最小值和最人值。mint 利maxt分别为T的敲小值和最大值。我们在训练网络时，如果所用的是经过归一化的样本数据，那么以后使用网络时所用的新数 据也应该和样本数据接受相同的预处理，这就要用到tnrnmmx,换句话说使用同一个归一化 设置(setting)归一化另外一组数据。如下所示：代码：_Pn =tramnmx (P, minp, maxp)其中P和Pn分别为变换前、后的输入数据，maxp和nunp分别为prenminx两返冋的最大值 maxp和 最小値 mmp。2、prestd、poststd、tiastd 归化数据到(0,1)用法与1

6、差不多.详细可以help prestdo上述两种方法是可以相互转化的，比如，第一种归化后的数据为p，则(l+p)./2的结果就是 第二种了3、mapmimnaxO将数据归一化到(-1,1),是6.5中*nmmx系列的替换函数该函数同时可以执行归一化、反归一化和归一化其他数据的功能，几体看帮助和后面的实例代码:%归一化数据输入为p,输出为t Lnormlnput, ps. = mapminmax(p);normTarget, ts = mapminmax(t):%反归一化trainOutput 二 mapminmax( reverse* , normTrainOutput, ts); train

7、insect = mapminmax ( reverse* , trainSamples. T, ts); validateOutput = mapminmax(? reverse* , normValidateOutput, ts); validatelnsect = mapminmax(reverse,validateSamples. T, ts); testOutput = mapminmax(* reverse , normTestOutput, ts); testinsect = mapminmax( reverse , testSamples. T, ts);%例子：xl = 1

8、2 4; 1 1 1; 3 2 2; 0 0 0yl, PS = mapminmax (xl, 0, 1)% 归化到0,1,若不填，则默认为-1,1%还原： xl_again = mapminmax (* reverse* , yl, PS)4、mapstd()将数据归一化到(0,1),是6.5中std系列的替代函数同理，3和4两种方法是可以相互转化的，比如，第一种归化后的数据为p,则(l-p)./2的结 果就是第二种了。5、自己写归一化函数，这个网上很多，大家可以百度下输入训练数据的乱序排法，以及分类注意：dmdevecO函数在7.6版本还可以使用把数据觅新打乱顺序，进行输入，可以让数据更加

9、貝备典型性和更优良的泛化能力！把数据进行打乱，并分类为：训练输入数据、变量数据、测试数据的方法用百度搜了一下，发现有些方法，但居然很少看到使用matlab内部两数直接进行的，其实 matlab自带的内部函数dividevec,完全能胜任上述工作，推荐！但这个存在一个问题是，因为打乱了，最后分析结呆的时候，数据重新排列困难，因为丢失 了数据在数组中的位置参数。具体用法可以参见下面bp交通预测的例子。mathworksmiet的新册里面似乎没仃介绍dnidverc这个函数了，但增加了新的函数來完成 上述功能，并返回标号(手头没装新版本NernalNehvork Toolbox Aersion 6.

10、0 (R2008a) 看guide X概是这个意思(有新版本的，可以试一下，这个函数是不是这个意思)：divideblock, divideind. dividemt 和 dividerand上述函数，用法和功能基本相同，只是打乱的方法不一样，分别是block方法抽取、按数组 标号自定义抽取、交错索引抽取和随机抽。卜面以dmdeblock为例，讲解其基本用法：代码：trainV, valV, testV, trainlnd, vallnd, testlnd二divideblock(alIV, trainRatio, valRatio, testRatio)训练数据，变量数据，测试数据，训练数据

11、矩阵的标号,，变星数据标号，测试数据 标号二divideblock(所有数据，训练数据百分比，变量数据百分比，测试数据百 分比)其实dividevec和后面四个分类函数的区别在于，dividevec 一般直接在Matlab代码中调用。而后而四个函数足通过设置网络的dixideFcn函数來实现，比如，net.dnideFcn=dn ideblock, 但不是说不可以在代码中像dividevec直接调用如何查看和保存结果训练好的权值、阈值的输出方法是：输入到隐层权值：代码：wl=net. iwl, 1隐层阈值：代码：thetal=net. b 隐层到输出层权值：代码：w2=net. lw2, 1;

12、输出层阈值： 代码: theta2=net. b2训练好的BP神经网络保存: 代码：%保存save file_name net_name%Matlab自动将网络保存为mat数据文件，卜次使用 时可以直接载入%载入load file_name每次结果不一样问题冈为每次初始化网络时都是随机的，而II训练终止时的误差也不完全相同，结果训练后的权植和阀也不完全相同（大致是一样的），所以每次训练后的结果也略有不同。找到比较好的结果后，用命令save filename netjiame保存网络，可使预测的结果不会变化, 在需要的调用时用命令load filename我入。关于如何找到比较好的结果，进行保存

13、，可以设置误差，在循环中保存，具体使用可以参看 bp交通预测优化后的例子P=ooo ；% 输入T=;%输出%创建一个新的前向神经网络netl =nerfi(mimnax(P), 10,11,tramgdm)%当前输入层权值和阈值inputWeights=net_l IWinpu(bias=net_l b%当前网络W权值和阈值layerWeights=net_l LWlayerbias=net_l.bP=P1：t=tr；pn,inmp,maxp,tn,inuit,maxt=preiminix(p,t);%原始 数据归一化net=newff(nuniiiax(pn),5,1 ,tansig/pwrelin,tramgdx1); %设置网络，建立相应的 BP 网络 net.tramParam show=2000; % 训练网络net.trauiParam.lr=0.01;