Matlab遗传算法优化的BP神经网络（两个隐含层）

看了王小川的《MATLAB神经网络43个案例分析》，第三章的遗传算法优化BP神经网络，讲了只有一个隐含层的神经网络如何使用遗传算法优化，这个代码网络上现在都有，我刚开始用这个代码跑了一下自己的样本，结果效果不好，除了要修改样本之外，我考虑到了是不是因为神经网络的层数较为单一了，只有一个隐含层，学习的效果不会太好，于是打算着手修改加一个 隐含层，五一之前调了一次，没改的出来，五一之后静下心重看了一遍，虽然能调试出来，但是效果还不是很好，希望大家能给些指点。

构建的神经网络有两个隐含层，原书上只给出一个，所以原hiddennum要改为hiddennum1和hiddennum2，然后有一个newff的写法问题，说有新旧写法，这里引用一下matlab中newff新旧用法差异。

%节点个数
inputnum=5;
hiddennum1=8;
hiddennum2=8;
outputnum=1;

%构建网络
net=newff(inputn,outputn,[hiddennum1 hiddennum2]);

然后节点总数就得修改了

%节点总数
numsum=inputnum*hiddennum1+hiddennum1+hiddennum1*hiddennum2+hiddennum2+hiddennum2*outputnum+outputnum;

fun函数也需要修改，多加一个隐含层

function error = fun(x,inputnum,hiddennum1,hiddennum2,outputnum,net,inputn,outputn)

修改权值和偏置，这边如果算的不对后面会提示出错，也就是reshape，错误RESHAPE,请勿更改元素数目，大致的意思就是w1，w2，w3里面所存的元素数量和你建立的神经网络结构不匹配，像我用的网络是5-8-8-1，

w1的范围是x(1:40),B1的范围是x(41:48)

w2的范围是x(49:112),B2的范围是x(113:120)

w3的范围是x(121:128),B3的范围是x(128:136)

这里我琢磨了挺久，不知道为什么数据的范围是这样的，其实这个和我们选择的网络有关系，输入层到隐含层1，5—8，

w1就是5x8=40个，然后偏置b1=8，隐含层1到隐含层2，8—8，w2就是8x8=64，偏置b2依然是8，隐含层2到输出层，8—1，w3就是8，b3=8。要花点耐心查一下。

w1=x(1:inputnum*hiddennum1);
B1=x(inputnum*hiddennum1+1:inputnum*hiddennum1+hiddennum1);
w2=x(inputnum*hiddennum1+hiddennum1+1:inputnum*hiddennum1+hiddennum1+hiddennum1*hiddennum2);
B2=x(inputnum*hiddennum1+hiddennum1+hiddennum1*hiddennum2+1:inputnum*hiddennum1+hiddennum1+hiddennum1*hiddennum2+hiddennum2);
w3=x(inputnum*hiddennum1+hiddennum1+hiddennum1*hiddennum2+hiddennum2+1:inputnum*hiddennum1+hiddennum1+hiddennum1*hiddennum2+hiddennum2+hiddennum2*outputnum);
B3=x(inputnum*hiddennum1+hiddennum1+hiddennum1*hiddennum2+hiddennum2+hiddennum2*outputnum+1:inputnum*hiddennum1+hiddennum1+hiddennum1*hiddennum2+hiddennum2+hiddennum2*outputnum+outputnum);

赋值问题是参见的百度的一个：

net.IW 属性定义了从网络输入向量到网络层的权值向量（即输入层的权值向量）结构。其值为Nl*Ni的细胞矩阵，Nl为网络层数（net.numLayers)，Ni为输入向量数（net.numInputs）。通过访问net.IW{i,j}，可以获得第i 个网络层来自第j 个输入向量的权值向量值。 所以一般情况下net,iw{1,1}就是输入层和隐含层之间的权值。

net.LW定义了从一个网络层到另一个网络层的权值向量结构。其值为Nl*Nl的细胞矩阵，Nl为网络层数（net.numLayers)。通过访问net.LW{i,j}，可以获得第i 个网络层来自第j 个网络层的权值向量值。 因此，如果网络是单隐含层，net.lw{2,1}就是输出层和隐含层之间的权值

%网络权值赋值
net.iw{1,1}=reshape(w1,hiddennum1,inputnum);
net.lw{2,1}=reshape(w2,hiddennum2,hiddennum1);
net.lw{3,2}=reshape(w3,outputnum,hiddennum2);
net.b{1}=reshape(B1,hiddennum1,1);
net.b{2}=reshape(B2,hiddennum2,1);
net.b{3}=B3;

然后就可以看结果了，因为神经网络容易陷入局部最小，所以可能还需要对样本进行修改。