bpnet.zip_BPNet_ensemble matlab_spoken7n8_神经网络集成_集成

function ww=bpnet(p,t,ynum,maxnum,ex,lr,pp) plot(p,t,'+'); title('训练向量'); xlabel('P'); ylabel('t'); [w1,b1,w2,b2]=initff(p,ynum,'tansig',t,'purelin'); %初始化含一个隐层的BP网络 zhen=25; %每迭代多少次更新显示 biglr=1.1; %学习慢时学习率(用于跳出平坦区) litlr=0.7; %学习快时学习率(梯度下降过快时) a=0.7 %动量项a大小(△W(t)=lr*X*ん+a*△W(t-1)) tp=[zhen maxnum ex lr biglr litlr a 1.04]; %trainbpx [w1,b1,w2,b2,ep,tr]=trainbpx(w1,b1,'tansig',w2,b2,'purelin',p,t,tp); ww=simuff(pp,w1,b1,'tansig',w2,b2,'purelin'); %ww就是调用结果 下面是bpnet使用简例: %bpnet举例，因为BP网络的权值初始化都是随即生成，所以每次运行的状态可能不一样。 %如果初始化的权值有利于训练，那么可能很快能结束训练，反之则反之 clear all clc figure randn('state',sum(100*clock)) num1=5; %隐节点数 num2=10000; %最大迭代次数 a1=0.02; %期望误差 a2=0.05; %学习率 test=randn(1,5)*0.5; %随即生成5个测试值 in=-1:.1:1; %训练值 expout=[-.9602 -.5770 -.0729 .3771 .6405 .6600 .4609 .1336 -.2013 -.4344 -.5000 -.3930 -.1647 .0988 .3072 .3960 .3449 .1816 -.0312 -.2189 -.3201]; %上面是指定期望输出 %expout=0.3*randn(1,21); %随机产生一组期望输出值，不过效果不好 plot(in,expout,'+'); title('训练向量'); xlabel('in'); ylabel('expout'); output=bpnet(in,expout,num1,num2,a1,a2,test)