bp神经网络matlab图 matlab bp神经网络函数

MATLAB中BP神经网络的重要函数和基本功能

这里是BP神经网络的具体介绍，以及博主自编写的神经网络算法newff()

• 功能:建立一个前向BP网络
• 格式：net = newff(PR,[S1,S2,…,SN],{TF1,TF2,…TFN},BTF,BLF,PF)

详细说明：
net：为创建的新的BP神经网络;
PR：Rx2维,为网络输入向量取值范围的矩阵;
[S1,S2,...SN]：表示网络隐含层和输出层神经元的个数;
{TF1,TF2...,TFN}：表示网络隐含层和输出层的传输函数,默认为"tansig";
BTF：表示网络的训练函数,默认为"tansig";
BLF：表示网络的权值学习函数,默认为"learngdom";
PF：表示性能数，默认为"mse"

例题

2.1 蠓虫分类问题
蠓虫分类问题可概括叙述如下：生物学家试图对两种蠓虫（Af 与 Apf）进行鉴别，
依据的资料是触角和翅膀的长度，已经测得了 9 支 Af 和 6 支 Apf 的数据如下：

• Af:(1.24,1.27)，(1.36,1.74)，(1.38,1.64)，(1.38,1.82)，(1.38,1.90)，(1.40,1.70)，(1.48,1.82)，(1.54,1.82)，(1.56,2.08).
• Apf:(1.14,1.82)，(1.18,1.96)，(1.20,1.86)，(1.26,2.00)，(1.28,2.00)，(1.30,1.96).

（i）根据如上资料，如何制定一种方法，正确地区分两类蠓虫。
（ii）对触角和翼长分别为 (1.24,1.80),(1.28,1.84) 与 (1.40,2.04) 的 3 个标本，用所得到的方法加以识别。

应用BP神经网络解决此题：

matab代码如下:

clear;clc
p1=[1.24,1.27;1.36,1.74;1.38,1.64;1.38,1.82;1.38,1.90; 
 1.40,1.70;1.48,1.82;1.54,1.82;1.56,2.08]; 
p2=[1.14,1.82;1.18,1.96;1.20,1.86;1.26,2.00 
 1.28,2.00;1.30,1.96]; 
p=[p1;p2]'; 
pr=minmax(p); 
goal=[ones(1,9),zeros(1,6);zeros(1,9),ones(1,6)]; 
plot(p1(:,1),p1(:,2),'h',p2(:,1),p2(:,2),'o') 
net=newff(pr,[3,2],{'logsig','logsig'});  %pr为网络输入向量取值范围的矩阵;[3,2]为隐含层3个,输出层2个;logsig为隐含层和输出层的传输函数
net.trainParam.show = 10;          %每隔10次显示训练迭代过程
net.trainParam.lr = 0.05;          %学习速率
net.trainParam.goal = 1e-10;       %收敛误差
net.trainParam.epochs = 50000;     %最大收敛次数
net = train(net,p,goal);           %训练,输入训练好的net以及输入数据p,期望输出数据goal.
x=[1.24 1.80;1.28 1.84;1.40 2.04]';  %预测数据
y0=sim(net,p) 
y=sim(net,x)

我们由运行出来的结果可看出,BP神经网络通过9支Af和6支Apf的数据进行运算，得到了较好的精度.且对另外3个标本进行了预测.预测结果为:Apf,Apf,AF

---

另一个matlab代码:

clear;clc
p1=[1.24,1.27;1.36,1.74;1.38,1.64;1.38,1.82;1.38,1.90; 
 1.40,1.70;1.48,1.82;1.54,1.82;1.56,2.08]; 
p2=[1.14,1.82;1.18,1.96;1.20,1.86;1.26,2.00 
 1.28,2.00;1.30,1.96]; 
p=[p1;p2]' 
pr=minmax(p) 
goal=[ones(1,9),zeros(1,6);zeros(1,9),ones(1,6)] 
net = newlvq(pr,4,[0.6,0.4]) 
net = train(net,p,goal) 
Y = sim(net,p) 
x=[1.24 1.80;1.28 1.84;1.40 2.04]' 
sim(net,x)

newlvq函数说明: net=newlvq(PR，S1，PC，LR，LF)
PR：Rx2维,为网络输入向量取值范围的矩阵;
S1：隐含层神经元的数目;
PC：列所属类别的百分比
LR：学习速率,默认值为0.01
Lf：学习函数,默认值为learnlv1

两个代码的差异:

• 第一种：修正和无监督的学习一致，权朝向样品方向移动一小段距离
• 第二种：权向离开样品方向移动，这样就减少了错误分类的机会