bp神經(jīng)網(wǎng)絡(luò)的設(shè)計實(shí)例(matlab編程)(編輯修改稿)
2024-09-26 02:44 本頁面
【文章內(nèi)容簡介】 訓(xùn)練迭代至 320 步時，網(wǎng)絡(luò)訓(xùn)練收斂，此時 SSE 和 SSW 均為恒值，當(dāng)前有效網(wǎng)絡(luò)的參 數(shù)（有效權(quán)值和閾值）個數(shù)為 。 例 3 采用 “提前停止 ”方法提高 BP 網(wǎng)絡(luò)的推廣能力。對于和例 2相同的問題，在本例中我們將采用訓(xùn)練函數(shù) traingdx 和 “提前停止 ”相結(jié)合的方法來訓(xùn)練 BP 網(wǎng)絡(luò)，以提高 BP 網(wǎng)絡(luò)的推廣能力。 解： 在利用 “提前停止 ”方法時，首先應(yīng)分別定義訓(xùn)練樣本、驗(yàn)證樣本或測試樣本，其中，驗(yàn)證樣本是必不可少的。在本例中，我們只定義并使用驗(yàn)證樣本，即有 驗(yàn)證樣本輸入矢量： = [:.05:] 驗(yàn)證樣本目標(biāo)矢量： = sin(2*pi*)+*randn(size()) 值得注意的是，盡管 “提前停止 ”方法可以和任何一種 BP 網(wǎng)絡(luò)訓(xùn)練函數(shù)一起使用，但是不適合同訓(xùn)練速度過快的算法聯(lián)合使用，比如 trainlm 函數(shù)，所以本例中我們采用訓(xùn)練速度相對較慢的變學(xué)習(xí)速率算法 traingdx 函數(shù)作為訓(xùn)練函數(shù)。 第 5 頁 共 8 頁 本例的 MATLAB 程序如下： close all clear echo on clc % NEWFF——生成一個新的前向神經(jīng)網(wǎng)絡(luò) % TRAIN——對 BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練 % SIM——對 BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真 pause % 敲任意鍵開始 clc % 定義訓(xùn)練樣本矢量 % P 為輸入矢量 P = [1::1]。 % T 為目標(biāo)矢量 randn(39。seed39。,78341223)。 T = sin(2*pi*P)+*randn(size(P))。 % 繪制訓(xùn)練樣本數(shù)據(jù)點(diǎn) plot(P,T,39。+39。)。 echo off hold on。 plot(P,sin(2*pi*P),39。:39。)。 % 繪制不含噪聲的 正弦曲線 echo on clc pause clc % 定義驗(yàn)證樣本 = [::]。 % 驗(yàn)證樣本的輸入矢量 = sin(2*pi*)+*randn(size())。 % 驗(yàn)證樣本的目標(biāo)矢量 pause clc % 創(chuàng)建一個新的前向神經(jīng)網(wǎng)絡(luò) =newff(minmax(P),[5,1],{39。tansig39。,39。purelin39。},39。traingdx39。)。 pause clc % 設(shè)置訓(xùn)練參數(shù) = 500。 = init()。 pause clc % 訓(xùn)練 BP 網(wǎng)絡(luò) [,tr]=train(,P,T,[],[],val)。 第 6 頁 共 8 頁 pause clc % 對 BP 網(wǎng)絡(luò)進(jìn)行仿真 A = sim(,P)。 % 計算仿真誤差 E = T A。 MSE=mse(E) pause clc % 繪制仿真擬合結(jié)果曲線 close all。 plot(P,A,P,T,39。+39。,P,sin(2*pi*P),39。:39。)。 pause。 clc echo off 下面給出了網(wǎng)絡(luò)的某次訓(xùn)練結(jié)果，可見，當(dāng)訓(xùn)練至第 136 步時，訓(xùn)練提前停止，此時的網(wǎng)絡(luò)誤差為 0.0102565。給出了訓(xùn)練后的仿真數(shù)據(jù)擬合曲線，效果是相當(dāng)滿意的。 [,tr]=train(,P,T,[],[],val)。 TRAI
醫(yī)療健康相關(guān)推薦
鄂ICP備17016276號-1