bp神经网络算法matlab程序,bp神经网络的matlab实现

MATLAB中BP神经网络的训练算法具体是怎么样的

先用newff函数建立网络，再用train函数训练即可。

1）正向传播：输入样本－>输入层－>各隐层（处理）－>输出层注1：若输出层实际输出与期望输出（教师信号）不符，则转入2）（误差反向传播过程）2）误差反向传播：输出误差（某种形式）－>隐层（逐层）－>输入层其主要目的是通过将输出误差反传，将误差分摊给各层所有单元，从而获得各层单元的误差信号，进而修正各单元的权值（其过程，是一个权值调整的过程）。

BP算法实现步骤（软件）：1）初始化2）输入训练样本对，计算各层输出3）计算网络输出误差4）计算各层误差信号5）调整各层权值6）检查网络总误差是否达到精度要求满足，则训练结束；不满足，则返回步骤2）注：改进算法—增加动量项、自适应调整学习速率（这个似乎不错)及引入陡度因子。

bp神经网络算法 在matlab中的实现 5

爱发猫 www.aifamao.com。

BP神经网络是最基本、最常用的神经网络，Matlab有专用函数来建立、训练它，主要就是newff()、train()、sim()这三个函数，当然其他如归一化函数mapminmax()、其他net的参数设定（lr、goal等）设置好，就可以通过对历史数据的学习进行预测。

附件是一个最基本的预测实例，本来是电力负荷预测的实例，但具有通用性，你仔细看看就明白了。

有哪位大神知道BP神经网络变学习率学习算法在Matlab中怎么实现啊？

额。。。一种启发式的改进就是，为学习速率选用自适应值，它依赖于连续迭代步骤中的误差函数值。

自适应调整学习速率的梯度下降算法,在训练的过程中,力图使算法稳定,同时又使学习的步长尽量地大,学习速率则是根据局部误差曲面作出相应的调整。

当误差以减小的方式趋于目标时,说明修正方向正确,于是步长（学习速率）增加,因此学习速率乘以增量因子Ir_inc,使学习速率增加;而当误差增加超过设定的值C倍时,说明修正过头,应减小步长,因此学习速率乘以减量因子Ir_dec,使学习速率减少.其他情况学习速率则不变。

Matlab里有对应的变学习速率的函数。

bpnet=newff(x,[60,4],{'logsig','logsig'},'traingda');%'traingda'表示自适应学习速率调整方法=50;=0.01;%预设值的学习速率bpnet.trainParam.epochs=3000;=0.247;bpnet.trainParam.Ir_inc=1.05;%增加的学习速率倍数，默认为1.05bpnet.trainParam.Ir_dec=0.7;%减少的学习速率倍数，默认为0.7bpnet.trainParam.max_perf_inc=1.04;%误差函数增加为迭代前的1.04时，减少学习速率。

默认为1.04[bpnet]=train(bpnet,p,t);savebpnet;%%%%%%%%%%%%%%%%%%%%。

如何用matlab编写BP神经网络程序

matlab编写BP神经网络很方便的，这个工作不用像编程序的C什么的那样还要编写算法。这个算法早已经在软件的库里提供了。你只要用一条语句就出来了。把参数，深度和节点固定的往里一代数就可以了。

还有一点，注意最后结果的收敛性，神经网络发展一直是曲折前进的，为什么这样，现在不太给力，因为面临着一个收敛的问题，实现起来效果不好。这些程序网上有很多，你借一本基本的神经网络的书里面也有。望采纳。

如何用MATLAB的神经网络工具箱实现三层BP网络

。

使用神经网络工具箱可以非常简便地实现网络建立和训练，实例代码如下：%% BP算法function Out=bpnet(p,t,p_test)%p,t为样本需要提前组织好global S1net=newff(minmax(p),[S1,8],{'tansig','purelin'},'trainlm');    %trainlm训练函数最有效%net=newff(P,T,31,{'tansig','purelin'},'trainlm');%新版用法net.trainParam.epochs=1000;=0.00001;=0.01;net.trainParam.showWindow = false;      %阻止训练窗口的弹出net.trainParam.showCommandLine = false; %阻止训练窗口的弹出net=train(net,p,t);Out=sim(net,p_test);end上面的代码不完整，完整的带训练样本数据的程序见附件。

使用MATLAB求解BP神经网络 100

。

%A百分含量[7.17.06.96.87.2]%B百分含量[3.23.43.63.84.0]%C百分含量[2.52.93.12.62.2]%%硬度[7865786972]%%P=[。

。。];输入T=[。。。

];输出clear;clc%数据A=[7.17.06.96.87.2];B=[3.23.43.63.84.0];C=[2.52.93.12.62.2];P=[A;B;C];T=[7865786972];%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{1,1}inputbias=net_1.b{1}%当前网络层权值和阈值{2,1}layerbias=net_1.b{2}%设置训练参数=50;=0.05;=0.9;net_1.trainParam.epochs=10000;=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=[7.13.22.5]';%测试sim(net_1,x)。

matlab程序 BP神经网络预测 程序如下：

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],,'traingdm')%当前输入层权值和阈值inputbias=net_1.b%当前网络层权值和阈值layerbias=net_1.b应该没问题吧。

用BP神经网络建立数学模型，MATLAB实现，怎样得到输入到输出的计算公式

% 计算S1与S2层的输出A1=tansig(W1*p,B1);t=purelin(W2*A1,B2);这就是p到t的映射关系。

BP（BackPropagation）神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。

BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。

BP神经网络模型拓扑结构包括输入层（input）、隐层(hiddenlayer)和输出层(outputlayer)。