BP神经网络设计的matlab简单实现

例1 采用动量梯度下降算法训练 BP 网络。用matlab自带的神经网络
训练样本定义如下：
输入矢量为    
 p =[-1 -2 3  1 
     -1  1 5 -3]
目标矢量为   t = [-1 -1 1 1]
解：本例的 MATLAB 程序如下： 

close all 
clear 
echo on 
clc 
% NEWFF——生成一个新的前向神经网络 
% TRAIN——对 BP 神经网络进行训练 
% SIM——对 BP 神经网络进行仿真 
pause        
%  敲任意键开始 
clc 
%  定义训练样本 
% P 为输入矢量 
P=[-1,  -2,    3,    1;       -1,    1,    5,  -3];
% T 为目标矢量 
T=[-1, -1, 1, 1]; 
pause; 
clc 
%  创建一个新的前向神经网络 
net=newff(minmax(P),[3,1],{'tansig','purelin'},'traingdm')
%  当前输入层权值和阈值 
inputWeights=net.IW{1,1} 
inputbias=net.b{1} 
%  当前网络层权值和阈值 
layerWeights=net.LW{2,1} 
layerbias=net.b{2} 
pause 
clc 
%  设置训练参数 
net.trainParam.show = 50; 
net.trainParam.lr = 0.05; 
net.trainParam.mc = 0.9; 
net.trainParam.epochs = 1000; 
net.trainParam.goal = 1e-3; 
pause 
clc 
%  调用 TRAINGDM 算法训练 BP 网络 
[net,tr]=train(net,P,T); 
pause 
clc 
%  对 BP 网络进行仿真 
A = sim(net,P) 
%  计算仿真误差 
E = T - A 
MSE=mse(E) 
pause 
clc 
echo off 

2、自己编写的bp神经网络

%严格按照BP网络计算公式来设计的一个matlab程序,对BP网络进行了优化设计
%yyy，即在o(k)计算公式时，当网络进入平坦区时(<0.0001)学习率加大， 出来后学习率又还原
%v(i,j)=v(i,j)+deltv(i,j)+a*dv(i,j); 动量项

clear all
clc   %清除命令窗口
load data2;
d=data';
da=d(:,1:2);
c=ones(3000,1)*(-1);
dat = [c da];%组成输入增广矩阵
labels=d(:,3);
inputNums=3; %输入层节点
outputNums=1; %输出层节点
hideNums=10; %隐层节点数
maxcount=1000; %最大迭代次数
samplenum=3000; %一个计数器，无意义
precision=0.001; %预设精度
yyy=1.3; %yyy是帮助网络加速走出平坦区 

alpha=0.01; %学习率设定值
a=0.5; %BP优化算法的一个设定值，对上组训练的调整值按比例修改 
error=zeros(1,maxcount+1); %error数组初始化；目的是预分配内存空间
errorp=zeros(1,samplenum); %同上

v=rand(inputNums,hideNums); %3*10;v初始化为一个3*10的随机归一矩阵; v表输入层到隐层的权值
deltv=zeros(inputNums,hideNums); %3*10;内存空间预分配
dv=zeros(inputNums,hideNums); %3*10; 

w=rand(hideNums,outputNums); %10*3;w表隐层到输出层的权值
deltw=zeros(hideNums,outputNums);%10*3
dw=zeros(hideNums,outputNums); %10*3

samplelist=dat;
expectlist=labels;

%samplelist=[0.1323,0.323,-0.132;0.321,0.2434,0.456;-0.6546,-0.3242,0.3255]; %3*3;指定输入值3*3(实为3个向量)
%expectlist=[0.5435,0.422,-0.642;0.1,0.562,0.5675;-0.6464,-0.756,0.11]; %3*3;期望输出值3*3(实为3个向量)
count=1;
while (count<=maxcount) %结束条件1迭代1000次
c=1;  
while (c<=samplenum)%对于每个样本输入，计算输出，进行一次BP训练
for k=1:outputNums  %获得每个样本的期望输出
d(k)=expectlist(c,k); %获得期望输出的向量,d(1:3)表示一个期望向量内的值
end

for i=1:inputNums  %获得每个样本的输入向量
x(i)=samplelist(c,i); % x(1:3)表一个训练向量
end

%Forward();
for j=1:hideNums  %对于每个隐藏节点，求其输出为样本各维乘以相应权重的累加和
net=0.0;
for i=1:inputNums
net=net+x(i)*v(i,j); 
end
y(j)=1/(1+exp(-net)); 
end
for k=1:outputNums %求每个输出节点的值
net=0.0;
for j=1:hideNums
net=net+y(j)*w(j,k);
end
if count>=2&&error(count)-error(count+1)<=0.0001
o(k)=1/(1+exp(-net)/yyy); %平坦区加大学习率
else o(k)=1/(1+exp(-net));
end
end

%BpError(c)反馈/修改;
errortmp=0.0;
for k=1:outputNums
errortmp=errortmp+(d(k)-o(k))^2; % 第一组训练后的误差计算
end
errorp(c)=0.5*errortmp; 
%end

%Backward();
for k=1:outputNums
yitao(k)=(d(k)-o(k))*o(k)*(1-o(k)); %输出层误差偏导 
end
for j=1:hideNums
tem=0.0;
for k=1:outputNums
tem=tem+yitao(k)*w(j,k); %为了求隐层偏导，而计算的∑
end
yitay(j)=tem*y(j)*(1-y(j)); %隐层偏导 
end

%调整各层权值
for j=1:hideNums  %调节到每个隐藏点到输出点的权重
for k=1:outputNums 
deltw(j,k)=alpha*yitao(k)*y(j); %权值w的调整量deltw(已乘学习率)
w(j,k)=w(j,k)+deltw(j,k)+a*dw(j,k);%权值调整，这里的dw=dletw(t-1)，实际是对BP算法的一个
dw(j,k)=deltw(j,k); %改进措施--增加动量项目的是提高训练速度 
end 
end
for i=1:inputNums  %调节每个输入点到隐藏点的权重
for j=1:hideNums
deltv(i,j)=alpha*yitay(j)*x(i); %同上deltw
v(i,j)=v(i,j)+deltv(i,j)+a*dv(i,j); 
dv(i,j)=deltv(i,j);
end
end
c=c+1; %输入下一个样本数据
end  %第二个while结束；表示一次BP训练结束

double tmp;
tmp=0.0; %字串8 
for i=1:samplenum
tmp=tmp+errorp(i)*errorp(i);%误差求和
end
tmp=tmp/c;
error(count)=sqrt(tmp);%求迭代第count轮的误差求均方根,即精度

if (error(count)<precision)%另一个结束条件
break;
end
count=count+1;%训练次数加1
end% 第一个while结束
error(maxcount+1)=error(maxcount);
p=1:count;
pp=p/50;
plot(pp,error(p),'-'); %显示误差