bp.zip_BP 不用工具箱_BP 拟合

% 用于函数逼近的BP算法程序 《神经网络结构设计的理论与方法》 function main() SamNum = 100; % 训练样本数 TestSamNum = 101; % 测试样本数 HiddenUnitNum=10; % 隐节点数 InDim=1; % 样本输入维数 OutDim=1; % 样本输出维数 %% 根据目标函数获得样本输入输出 rand('state',sum(100*clock)) % 定义一个随时间变化的初值，使得每次运行随机数生成值不同，该语句表示用当前时间初始化随机数序列， % 每次产生随机数的时候，随机数生成器触发器的状态都会翻转一次，'state'那个参数是表示翻转。 % sum(clock)是取种子，表示以时钟之和作为种子，这样每次取种子都很可能不同。有时也使用100*sum(clock) NoiseVar = 0.1; % 标准差0.1 Noise = NoiseVar*randn(1,SamNum); % 添加的噪声服从均值0，标准差0.1的正态分布 SamIn = 8*rand(1,SamNum)-4; SamOutNoNoise = 1.1*(1-SamIn+2*SamIn.^2).*exp(-SamIn.^2/2); SamOut = SamOutNoNoise + Noise; TestSamIn = -4:0.08:4; TestSamOut = 1.1*(1-TestSamIn+2*TestSamIn.^2).*exp(-TestSamIn.^2/2); figure hold on grid plot(SamIn,SamOut,'k+') plot(TestSamIn,TestSamOut,'r--') xlabel('Input x'); ylabel('Output y'); %% MaxEpochs=20000; % 最大训练次数 lr=0.003; % 学习率 E0=0.5; % 目标误差 W1=0.2*rand(HiddenUnitNum,InDim)-0.1; % 输入层到隐层的初始权值 B1=0.2*rand(HiddenUnitNum,1)-0.1; % 隐节点初始偏移 W2=0.2*rand(OutDim,HiddenUnitNum)-0.1; % 隐层到输出层的初始权值 B2=0.2*rand(OutDim,1)-0.1; % 输出层初始偏移 W1Ex=[W1 B1]; % 输入层到隐层的初始权值扩展 W2Ex=[W2 B2]; % 隐层到输出层的初始权值扩展 SamInEx=[SamIn' ones(SamNum,1)]'; % 样本输入扩展 ErrHistory=[]; % 用于记录每次权值调整后的训练误差 for i=1:MaxEpochs % 正向传播计算网络误差 HiddenOut=logsig(W1Ex*SamInEx); HiddenOutEx=[HiddenOut' ones(SamNum,1)]'; NetworkOut=W2Ex*HiddenOutEx; % 停止学习判断 Error=SamOut-NetworkOut; SSE=sumsqr(Error) % 记录每次权值调整后的训练误差 ErrHistory=[ErrHistory SSE]; if SSE<E0,break,end; % 计算反向传播误差 Delta2=Error; Delta1=W2'*Delta2.*HiddenOut.*(1-HiddenOut); % 计算权值调节量 dW2Ex=Delta2*HiddenOutEx'; dW1Ex=Delta1*SamInEx'; %权值调节 W1Ex=W1Ex+lr*dW1Ex; W2Ex=W2Ex+lr*dW2Ex; % 分离隐层到输出层的初始权值，以便后面使用 W2=W2Ex(:,1:HiddenUnitNum); end %% 显示计算结果 i W1=W1Ex(:,1:InDim) B1=W1Ex(:,InDim+1) W2 B2=W2Ex(:,HiddenUnitNum+1); % 测试 TestHiddenOut=logsig(W1*TestSamIn+repmat(B1,1,TestSamNum)); TestNNOut=W2*TestHiddenOut+repmat(B2,1,TestSamNum); plot(TestSamIn,TestNNOut,'k-'); % 绘制学习误差 figure hold on grid [xx,Num]=size(ErrHistory); plot(1:Num,ErrHistory,'k-');