当前位置:   article > 正文

BP神经网络原理及MATLAB实现_bp神经网络算法matlab程序

bp神经网络算法matlab程序

人工神经网络概述:

人工神经元模型:

神经网络的分类:

按照连接方式,可以分为:前向神经网络 vs. 反馈(递归)神经网络;

按照学习方式,可以分为:有导师学习神经网络 vs. 无导师学习神经网络;

按照实现功能,可以分为:拟合(回归)神经网络 vs. 分类神经网络。

数据归一化:将数据映射到[0, 1]或[-1, 1]区间或其他的区间。

数据归一化的原因:

1.输入数据的单位不一样,有些数据的范围可能特别大,导致的结果是神经网络收敛慢、训练时间长。
2.数据范围大的输入在模式分类中的作用可能会偏大,而数据范围小的输入作用就可能会偏小。
3.由于神经网络输出层的激活函数的值域是有限制的,因此需要将网络训练的目标数据映射到激活函数的值域。例如神经网络的输出层若采用S形激活
函数,由于S形函数的值域限制在(0,1),也就是说神经网络的输出只能限制在(0,1),所以训练数据的输出就要归一化到[0,1]区间。
4.S形激活函数在(0,1)区间以外区域很平缓,区分度太小。例如S形函数f(X)在参数a=1时,f(100)与f(5)只相差0.0067。
归一化算法:
1.y = ( x - min )/( max - min );
2.y = 2 * ( x - min ) / ( max - min ) - 1。

部分函数:

参数对BP神经网络性能的影响:

隐含层神经元节点个数

激活函数类型的选择

学习率

初始权值与阈值

交叉验证

训练集

测试集

验证集

留一法

MATLAB实现程序:

  1. 1 %% I. 清空环境变量
  2. 2 clear all
  3. 3 clc
  4. 4
  5. 5 %% II. 训练集/测试集产生
  6. 6 %%
  7. 7 % 1. 导入数据
  8. 8 load spectra_data.mat
  9. 9
  10. 10 %%
  11. 11 % 2. 随机产生训练集和测试集
  12. 12 temp = randperm(size(NIR,1));
  13. 13 % 训练集——50个样本
  14. 14 P_train = NIR(temp(1:50),:)';
  15. 15 T_train = octane(temp(1:50),:)';
  16. 16 % 测试集——10个样本
  17. 17 P_test = NIR(temp(51:end),:)';
  18. 18 T_test = octane(temp(51:end),:)';
  19. 19 N = size(P_test,2);
  20. 20
  21. 21 %% III. 数据归一化
  22. 22 [p_train, ps_input] = mapminmax(P_train,0,1);
  23. 23 p_test = mapminmax('apply',P_test,ps_input);
  24. 24
  25. 25 [t_train, ps_output] = mapminmax(T_train,0,1);
  26. 26
  27. 27 %% IV. BP神经网络创建、训练及仿真测试
  28. 28 %%
  29. 29 % 1. 创建网络
  30. 30 net = newff(p_train,t_train,9);
  31. 31
  32. 32 %%
  33. 33 % 2. 设置训练参数
  34. 34 net.trainParam.epochs = 1000;
  35. 35 net.trainParam.goal = 1e-3;
  36. 36 net.trainParam.lr = 0.01;
  37. 37
  38. 38 %%
  39. 39 % 3. 训练网络
  40. 40 net = train(net,p_train,t_train);
  41. 41
  42. 42 %%
  43. 43 % 4. 仿真测试
  44. 44 t_sim = sim(net,p_test);
  45. 45
  46. 46 %%
  47. 47 % 5. 数据反归一化
  48. 48 T_sim = mapminmax('reverse',t_sim,ps_output);
  49. 49
  50. 50 %% V. 性能评价
  51. 51 %%
  52. 52 % 1. 相对误差error
  53. 53 error = abs(T_sim - T_test)./T_test;
  54. 54
  55. 55 %%
  56. 56 % 2. 决定系数R^2
  57. 57 R2 = (N * sum(T_sim .* T_test) - sum(T_sim) * sum(T_test))^2 / ((N * sum((T_sim).^2) - (sum(T_sim))^2) * (N * sum((T_test).^2) - (sum(T_test))^2));
  58. 58
  59. 59 %%
  60. 60 % 3. 结果对比
  61. 61 result = [T_test' T_sim' error']
  62. 62
  63. 63 %% VI. 绘图
  64. 64 figure
  65. 65 plot(1:N,T_test,'b:*',1:N,T_sim,'r-o')
  66. 66 legend('真实值','预测值')
  67. 67 xlabel('预测样本')
  68. 68 ylabel('辛烷值')
  69. 69 string = {'测试集辛烷值含量预测结果对比';['R^2=' num2str(R2)]};
  70. 70 title(string)

     

运行效果截图:

附测试代码及数据:GitHub - wydxry/Learn-about-Back-Propagation-Neural-Network: Test data and MATLAB code about Back Propagation Neural Network

声明:本文内容由网友自发贡献,转载请注明出处:【wpsshop】
推荐阅读
相关标签
  

闽ICP备14008679号