BP神经网络简单代码分析

最新推荐文章于 2025-06-03 20:14:26 发布

地瓜2.0

最新推荐文章于 2025-06-03 20:14:26 发布

阅读量4.8k

点赞数 12

CC 4.0 BY-SA版权

文章标签： BP神经网络

本文链接：https://blog.csdn.net/weixin_44060222/article/details/102540660

本文介绍了BP神经网络的基本构建过程，包括newff()、sim()等关键函数，并通过实例展示了训练过程，分析了训练窗口的信息，如训练次数、性能指标等。同时，文章也探讨了感知器神经网络的构建和学习训练。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

BP神经网络的构建

BP网是一种前馈多层（一般都选用3层）网络。理论已经证明一个三层网络可以无限近似任意连续函数。

在进入代码前，我们需先认识这些有关神经网络的函数：

newff()函数：建立一个可训练的前馈网络。
sim()函数：运行仿真。
init()函数：初始化神经网络，根据最新的网络初始化函数返回神经网络的权值和误差。
sign()函数：符号函数，sign（整数）=1；sign（负数）=-1；sign（0）=0。
tansig()函数：神经网络层传递函数，将神经网络层的净输入转换为净输出。
purelin()函数：神经网络层传递函数。
newp()函数：构造感知器模型。
errsurf()函数：单输入神经元的误差面。
plotes()函数：用来绘制二维图像。
train()函数：对神经网络进行训练，会弹出窗体。

在了解这些基础函数的基础上，我们来看一个构建BP神经网络的matlab代码：

% BP网络
% BP神经网络的构建
net=newff([-1 2;0 5],[3,1],{
   
   'tansig','purelin'},'traingd')
%newff([-1 2;0 5],[3,1],{
   
   'tansig','purelin'},'traingd')建立一个可训练的前馈网络
%创建一个二层网络，它的输入是两个元素的向量，输入向量的第一个元素的范围是[-1 2]，输入向量的第二个元素的范围是[0 5]。
%第一层有三个神经元，第二层有一个神经元。
%第一层的传递函数是tansig（正切S型传递函数），输出层的传递函数是purelin（线性传递函数）。训练函数是traingd（最速下降BP算法）。
%net.IW{
   
   1}	%输入层到隐含层的权重
%net.b{
   
   1}	%输入层的阈值

p=[1;2];	%p为网络输入
a=sim(net,p)	%sim()函数对于神经网络进行仿真，返回输出
net=init(net);	%init(net)根据最新的网络初始化函数返回神经网络的权值和误差，此时new.IW{
   
   1}、net.b{
   
   1}的值已改变
a=sim(net,p)

p2=net.IW{
   
   1}*p+net.b{
   
   1}	%p2为隐含层的输入
a2=sign(p2)	%符号函数
a3=tansig(a2)	%神经网络层传递函数：将神经网络层的净输入转换为净输出
a4=purelin(a3)	%线性传递函数：输入与输出值可取任意值，输入值=输出值

net.b{
   
   2}	%隐含层的阈值
net.b{
   
   1}	%输入层的阈值

net.IW{
   
   1}	%输入层到隐含层的权重
net.IW{
   
   2}	%隐含层到输出层的权重
0.7616+net.b{
   
   2}
a-net.b{
   
   2}
(a-net.b{
   
   2})/ 0.7616

p1=[0;0];	%改变网络输入
a5=sim(net,p1)
net.b{
   
   2}


% BP网络
% BP神经网络的构建
net=newff([-1 2;0 5],[3,1],{
   
   'tansig','purelin'},'traingd')
p=[1;2];
a=sim(net,p)
net=init(net);
a=sim(net,p)
p2=net.IW{
   
   1}*p+net.b{
   
   1}
a2=sign(p2)
a3=tansig(a2)
a4=purelin(a3)
net.b{
   
   2}
net.b{
   
   1}

P=[1.2;3;0.5;1.6]
W=[0.3 0.6 0.1 0.8]
net1=newp([0 2;0 2;0 2;0 2],1,'purelin');
net2=newp([0 2;0 2;0 2;0 2],1,'logsig');
net3=newp([0 2;0 2;0 2;0 2],1,'tansig');
net4=newp([0 2;0 2;0 2;0 2],1,'hardlim');

net1.IW{
   
   1}=W;
net2.IW{
   
   1}=W;
net3.IW{
   
   1}=W