资源描述：
《人工神经网络Matlab实现代码.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、以下是用Matlab中的m语言编写的BP神经网络代码，实现的是一个正弦函数的拟合过程，包括了初始化、BP算法、绘制曲线等过程，可以将代码放到一个M文件中运行，以下是代码：defaultpoints=20;%%%%%%%%%隐含层节点数inputpoints=1;%%%%%%%%%输入层节点数outputpoints=1;%%%%%%%%%输出层节点数Testerror=zeros(1,100);%%%%每个测试点的误差记录a=zeros(1,inputpoints);%%%%输入层节点值y=zeros(1,outp
2、utpoints);%%%样本节点输出值w=zeros(inputpoints,defaultpoints);%%%%%输入层和隐含层权值%初始化权重很重要，比如用rand函数初始化则效果非常不确定，不如用zeros初始化v=zeros(defaultpoints,outputpoints);%%%%隐含层和输出层权值bin=rand(1,defaultpoints);%%%%%隐含层输入bout=rand(1,defaultpoints);%%%%隐含层输出base1=0*ones(1,defaultpoints
3、);%隐含层阈值，初始化为0cin=rand(1,outputpoints);%%%%%%输出层输入cout=rand(1,outputpoints);%%%%%输出层输出base2=0*rand(1,outputpoints);%%输出层阈值error=zeros(1,outputpoints);%%%拟合误差errors=0;error_sum=0;%%%误差累加和error_rate_cin=rand(defaultpoints,outputpoints);%%误差对输出层节点权值的导数error_rate_
4、bin=rand(inputpoints,defaultpoints);%%%误差对输入层节点权值的导数alfa=0.5;%%%%alfa是隐含层和输出层权值-误差变化率的系数，影响很大belt=0.5;%%%%belt是隐含层和输入层权值-误差变化率的系数，影响较小gama=5;%%%%gama是误差放大倍数，可以影响跟随速度和拟合精度,当gama大于2时误差变大，容易震荡%%%%规律100个隐含节点，当alfa*gama=1.5时，效果好，其他值误差变大，belt基本不影响效果%%%%规律200个隐含节点，当a
5、lfa*gama=0.7时，效果好，其他值误差变大，belt基本不影响效果，最小误差和100个隐含点一样%%%%规律50个隐含节点，当alfa*gama=3时，效果好，其他值误差变大，belt基本不影响效果，最小误差和100个隐含点一样trainingROUND=200;%训练次数,有时训练几十次比训练几百次上千次效果要好很多sampleNUM=361;%样本点数x1=zeros(sampleNUM,inputpoints);%样本输入矩阵y1=zeros(sampleNUM,outputpoints);%样本输出
6、矩阵x2=zeros(sampleNUM,inputpoints);%测试输入矩阵y2=zeros(sampleNUM,outputpoints);%测试输出矩阵observeOUT=zeros(sampleNUM,outputpoints);%%拟合输出监测点矩阵i=0;j=0;k=0;%%%%其中j是在一个训练周期中的样本点序号，不可引用i=0;h=0;o=0;%%%%输入层序号，隐含层序号，输出层序号x=0:0.2*pi:2*pi;%%%%步长forj=1:9%%%%%%这里给样本输入和输出赋值，应根据具体应
7、用来设定x1(j,1)=x(j);y1(j,1)=sin(x1(j,1));endx=0:2*pi/361:2*pi;forj=1:361x2(j,1)=x(j);y2(j,1)=sin(x2(j,1));endforo=1:outputpointsy1(:,o)=(y1(:,o)-min(y1(:,o)))/(max(y1(:,o))-min(y1(:,o)));%归一化，使得输出范围落到[0,1]区间上，当激活函数为对数S型时适用y2(:,o)=(y2(:,o)-min(y2(:,o)))/(max(y2(:,
8、o))-min(y2(:,o)));endfori=1:inputpointsx1(:,i)=(x1(:,i)-min(x1(:,i)))/(max(x1(:,i))-min(x1(:,i)));%输入数据归一化范围要和输出数据的范围相同，[0,1]x2(:,i)=(x2(:,i)-min(x2(:,i)))/(max(x2(:,i))-min(x2(:,i
