bp.rar_2输入BP MATLAB_2输入bp_BP_神经网络跟踪

clc; clear; v=rand(2,3); %隐层系数为2乘3矩阵 w=rand(1,3); %输出层权系数为1乘3矩阵 j=1; E=0; EE=0; ita=0.6; %学习率的设定 Emin=0.00001; %误差限0.00001 u=-2:0.04:1.96; %产生随机的100对样本 r=-1:0.02:0.98; szok=0; %为了计算ok而准备的初值 DK=zeros(1,100); OK=zeros(1,100); netk=0; for t=400:-1:1 %进行400次训练 for n=1:100 dk=cos(2*pi*u(n))*cos(2*pi*r(n)); %计算期望的输出值 DK(n)=dk; for j=1:1:3 net(j)=u(n)*v(j)+r(n)*v(3+j); %隐层净输入 y(j)=1/(1+exp(-net(j))); %隐层输出 end netk=0; for j=1:1:3 szok=y(j)*w(j); netk=netk+szok; %输出层的净输入 end ok=1/(1+exp(-netk)); %输出层的输出 OK(n)=ok; E=(dk-ok)^2/2; %计算一次训练后的误差 delta=ok*(1-ok)*(dk-ok); %开始返回进行权系数的修订 for j=1:1:3 deltaw(j)=ita*delta*y(j); deltav(j)=ita*delta*w(j)*y(j)*(1-y(j))*u(n); deltav(3+j)=ita*delta*w(j)*y(j)*(1-y(j))*r(n); end end if E<Emin&E>-Emin %用误差限控制循环 end EE=[EE,E]; w=w+deltaw(j); %输出层权系数调整 v=v+deltav(j); %隐层权系数调整 end figure %绘图 t=0:400; plot(t,EE,'*-') figure plot3(u,r,DK,'r-') hold on plot3(u,r,OK,'b-') figure plot(DK,'R-')