matlab神经网络工具箱主要用于BP网络分析与设计的函数,这面这些函数最好都弄懂:
    1、前向网络创建函数:newcf、newff和newfftd
    2、激励函数:logsig、dlogsig、(S型对数式)tansig、dtansig、(正切函数式)purelin、dpurelin(线性函数)
    3、学习函数:learngd(梯度下降权值/阀值学习函数)、learndm(梯度下降动量函数)
    4、训练函数:trainbfg(BFGS准牛顿BP算法)、traingd(梯度下降BP算法训练函数)、traingdm(梯度下降动量BP算法)等等
    5、性能函数:mse(均方误差性能函数)、msereg
     函数学习这一块在学习BP神经算法的时候除了参考帮助文档(很有用),也可以参考下面的代码自己改改试试,一般运行时间长短看你的参数设置决定,有时几秒钟,有时,可能就几小时了。
   
    BP网络求解过程,具体代码里也都注释了,理清思绪:
    1、原始数据的输入
    2、数据的归一化处理
    3、网络训练
    4、对原始数据进行仿真
    5、将原始数据仿真的结果与已知的样本进行对比
    6、对新的数据进行仿真
    代码具体是参考的《matlab在数学建模中的应用》(p117)里的一道题目编写的,由于时间有限,可以看看运行结果大概想想题目是什么,这里就不写了。
    代码:
%%原始数据的输入
clc,clear
sqrs = [20.55 22.44 25.37 27.13 29.45 30.1 30.96 34.06 36.42 38.09 39.13 39.99 ...
    41.93 44.59 47.30 52.89 55.73 56.76 59.17 60.63];
%人数 单位:万人
sqjdcs = [0.6 0.75 0.85 0.90 1.05 1.35 1.45 1.60 1.70 1.85 2.15 2.20...
    2.25 2.35 2.50 2.60 2.70 2.85 2.95 3.10];
%机动车数 单位:万辆
sqglmj = [0.09 0.11 0.11 0.14 0.20 0.23 0.23 0.32 0.32 0.34 0.36 0.36...
    0.38 0.49 0.56 0.59 0.59 0.67 0.69 0.79];
%公路面积 单位:万平方千米
glkyl = [5126 6217 7730 9145 10460 11387 12353 15750 18304 19836 21024....
    19490 20433 22598 25107 33442 36836 40548 42927 43462];
%公路客运量 单位:万人
glhyl = [1237 1379 1385 1399 1663 1714 1834 4322 8132 8936 11099 11203 10524....
    11115 13320 16762 18673 20724 20803 21804];
%公路货运量 单位:万吨
p = [sqrs;sqjdcs;sqglmj];   %输入数据矩阵
t = [glkyl;glhyl];          %目标矩阵
 
%%归一化处理
[pn,minp,maxp,tn,mint,maxt] = premnmx(p,t);  %对pt矩阵进行归一化处理
dx = [-1,1;-1 1;-1,1];                       %
 
%BP网络训练
net = newff(dx,[3,7,2],{'tansig','tansig','purelin'},'traingdx');
 
%%建立模型,并用梯度下降法训练
net.trainParam.show = 1000;          00轮回显示一次
net.trainParam.Lr = 0.05;            %学习速率
net.trainParam.epochs = 50000;       %最大训练轮回
net.trainParam.goal = 0.65*10^(-3);  %均方误差
net = train(net,pn,tn);              %开始训练
 
%%利用原始数据对BP网络仿真
an = sim(net,pn);                    %用训练好的模型进行仿真
a = postmnmx(an,mint,maxt);          %把仿真到的数据还原到原始的数量级
 
%%对比测试
x = 1990:2009;
newk = a(1,:);
newh = a(2,:);
figure(2);
subplot(2,1,1);
plot(x,newk,'r-o',x,glkyl,'b--+');
legend('网络输出客运量','实际客运量');
xlabel('年份');
ylabel('客运量/万人');
title('运用数据箱客运量学习和测试对比图');
subplot(2,1,2);
plot(x,newh,'r-o',x,glhyl,'b--+');
legend('网络输出货运量','实际货运量');
xlabel('年份');
ylabel('货运量/万吨');
title('运用数据箱货运量学习和测试对比图');
%利用训练好的网络进行预测
pnew = [73.39 75.55
    3.9635 4.0975
    0.9880 1.0268];
pnewn = tramnmx(pnew,minp,maxp);
%利用原始输入数据的归一化参数对新参数进行归一化
anewn = sim(net,pnewn);
%利用归一化后的数据进行仿真
anew = postmnmx(anewn,mint,maxt)
%把仿真得到的数据还原原始的数量级
posted on 2012-11-02 15:09  k-frank  阅读(1954)  评论(0编辑  收藏  举报