资源描述：
《用matlab编bp神经网络预测程序》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
1、求用matlab编BP神经网络预测程序求一用matlab编的程序P=[。。。];输入T=[。。。];输出%创建一个新的前向神经网络net_1=newff(minmax(P),[10,1],{'tansig','purelin'},'traingdm')%当前输入层权值和阈值inputWeights=net_1.IW{1,1}inputbias=net_1.b{1}%当前网络层权值和阈值layerWeights=net_1.LW{2,1}layerbias=net_1.b{2}%设置训练参数net_1.trainParam.show=50;net_1.trainParam.lr=0.
2、05;net_1.trainParam.mc=0.9;net_1.trainParam.epochs=10000;net_1.trainParam.goal=1e-3;%调用TRAINGDM算法训练BP网络[net_1,tr]=train(net_1,P,T);%对BP网络进行仿真A=sim(net_1,P);%计算仿真误差E=T-A;MSE=mse(E)x=[。。。]';%测试sim(net_1,x)%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%不可能啊我2009 28 对初学神经网络者的小提示第二步：掌握如下算法:2.最小均方误差,这个原理是下面提到的神经
3、网络学习算法的理论核心,入门者要先看《高等数学》（高等教育出版社，同济大学版）第8章的第十节：“最小二乘法”。3.在第2步的基础上看Hebb学习算法、SOM和K-近邻算法，上述算法都是在最小均方误差基础上的改进算法，参考书籍是《神经网络原理》（机械工业出版社，SimonHaykin著，中英文都有）、《人工神经网络与模拟进化计算》（清华大学出版社，阎平凡，张长水著）、《模式分类》（机械工业出版社， RichardO.Duda等著，中英文都有）、《神经网络设计》（机械工业出版社，MartinT.Hargan等著，中英文都有）。4.ART(自适应谐振理论),该算法的最通俗易懂的读物就是
4、《神经网络设计》（机械工业出版社，MartinT.Hargan等著，中英文都有）的第15和16章。若看理论分析较费劲可直接编程实现一下16.2.7节的ART1算法小节中的算法.4.BP算法,初学者若对误差反传的分析过程理解吃力可先跳过理论分析和证明的内容,直接利用最后的学习规则编个小程序并测试,建议看《机器学习》(机械工业出版社，TomM.Mitchell著，中英文都有）的第4章和《神经网络设计》（机械工业出版社，MartinT.Hargan等著，中英文都有）的第11章。BP神经网络Matlab实例（1）分类：Matlab实例采用Matlab工具箱函数建立神经网络，对一些基本的神经
5、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=[-1-231% -115-3]%目标矢量为 t=[-1-111]closeallclearclc%---------------------------------------------------------------%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--Rx2matrixofminandmaxva
6、luesforRinputelements%（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='traingdx'%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(N
7、ET,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--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%
