内容发布更新时间 : 2024/6/29 13:11:24星期一 下面是文章的全部内容请认真阅读。

以下是用Matlab中的 m语言编写的BP神经网络代码，实现的是一个正弦函数的拟合过程，包括了初始化、BP算法、绘制曲线等过程，可以将代码放到一个M文件中运行，以下是代码：

defaultpoints=20; %%%%%%%%%隐含层节点数 inputpoints=1; %%%%%%%%%输入层节点数 outputpoints=1; %%%%%%%%%输出层节点数 Testerror=zeros(1,100);%%%%每个测试点的误差记录 a=zeros(1,inputpoints);%%%%输入层节点值 y=zeros(1,outputpoints);%%%样本节点输出值

w=zeros(inputpoints,defaultpoints);%%%%%输入层和隐含层权值

%初始化权重很重要，比如用rand函数初始化则效果非常不确定，不如用zeros初始化 v=zeros(defaultpoints,outputpoints);%%%%隐含层和输出层权值

bin=rand(1,defaultpoints);%%%%%隐含层输入 bout=rand(1,defaultpoints);%%%%隐含层输出

base1=0*ones(1,defaultpoints);%隐含层阈值，初始化为0

cin=rand(1,outputpoints);%%%%%%输出层输入 cout=rand(1,outputpoints);%%%%%输出层输出 base2=0*rand(1,outputpoints);%%输出层阈值 error=zeros(1,outputpoints);%%%拟合误差

errors=0;error_sum=0; %%%误差累加和

error_rate_cin=rand(defaultpoints,outputpoints);%%误差对输出层节点权值的导数 error_rate_bin=rand(inputpoints,defaultpoints);%%%误差对输入层节点权值的导数

alfa=0.5; %%%% alfa 是隐含层和输出层权值-误差变化率的系数，影响很大 belt=0.5; %%%% belt 是隐含层和输入层权值-误差变化率的系数，影响较小

gama=5; %%%% gama 是误差放大倍数，可以影响跟随速度和拟合精度,当gama大于2时误差变大，容易震荡

%%%%规律 100个隐含节点，当alfa *gama =1.5时，效果好，其他值误差变大，belt基本不影响效果

%%%%规律 200个隐含节点，当alfa *gama =0.7时，效果好，其他值误差变大，belt基本不影响效果，最小误差和100个隐含点一样

%%%%规律 50个隐含节点，当alfa *gama =3时，效果好，其他值误差变大，belt基本不影响效果，最小误差和100个隐含点一样

trainingROUND=200;% 训练次数,有时训练几十次比训练几百次上千次效果要好很多 sampleNUM=361; % 样本点数

x1=zeros(sampleNUM,inputpoints); %样本输入矩阵 y1=zeros(sampleNUM,outputpoints); %样本输出矩阵 x2=zeros(sampleNUM,inputpoints); %测试输入矩阵

y2=zeros(sampleNUM,outputpoints); %测试输出矩阵

observeOUT=zeros(sampleNUM,outputpoints); %%拟合输出监测点矩阵

i=0;j=0;k=0; %%%%其中j是在一个训练周期中的样本点序号，不可引用 i=0;h=0;o=0; %%%%输入层序号，隐含层序号，输出层序号 x=0:0.2*pi:2*pi; %%%%步长

for j=1:9 %%%%%%这里给样本输入和输出赋值，应根据具体应用来设定 x1(j,1)=x(j);

y1(j,1)=sin(x1(j,1)); end

x=0:2*pi/361:2*pi; for j=1:361

x2(j,1)=x(j);

y2(j,1)=sin(x2(j,1)); end

for o=1:outputpoints

y1(:,o)=(y1(:,o)-min(y1(:,o)))/(max(y1(:,o))-min(y1(:,o)));

%归一化，使得输出范围落到[0,1]区间上，当激活函数为对数S型时适用 y2(:,o)=(y2(:,o)-min(y2(:,o)))/(max(y2(:,o))-min(y2(:,o))); end

for i=1:inputpoints

x1(:,i)=(x1(:,i)-min(x1(:,i)))/(max(x1(:,i))-min(x1(:,i))); %输入数据归一化范围要和输出数据的范围相同，[0,1] x2(:,i)=(x2(:,i)-min(x2(:,i)))/(max(x2(:,i))-min(x2(:,i))); end

sampleNUM=9;

for mmm=1:trainingROUND %训练开始，100次 error_sum=0;

if mmm==trainingROUND sampleNUM=361; end

for j=1:sampleNUM %%%%%每次训练一个样本点

for i=1:inputpoints %%%%%样本输入层赋值 a(i)=x1(j,i); end

for o=1:outputpoints %%%%%样本输出层赋值 y(o)=y1(j,o); end

if mmm==trainingROUND

for i=1:inputpoints %%%%%样本输入层赋值

a(i)=x2(j,i); end

for o=1:outputpoints %%%%%样本输出层赋值 y(o)=y2(j,o); end end

for h=1:defaultpoints bin(h)=0;

for i=1:inputpoints

bin(h)=bin(h)+a(i)*w(i,h); end

bin(h)=bin(h)-base1(h);

bout(h)=1/(1+exp(-bin(h)));%%%%%%隐含层激励函数为对数激励 end

temp_error=0;

for o=1:outputpoints cin(o)=0;

for h=1:defaultpoints

cin(o)=cin(o)+bout(h)*v(h,o); end

cin(o)=cin(o)-base2(o);

cout(o)=1/(1+exp(-cin(o))); %%%%%%输出层激励函数为对数激励 observeOUT(j,o)=cout(o); error(o)=y(o)-cout(o);

temp_error=temp_error+error(o)*error(o);%%%%%记录实际误差，不应该乘伽玛系数 error(o)=gama*error(o); end

Testerror(j)=temp_error;

error_sum=error_sum+Testerror(j);

for o=1:outputpoints

error_rate_cin(o)=error(o)*cout(o)*(1-cout(o)); end

for h=1:defaultpoints error_rate_bin(h)=0; for o=1:outputpoints

error_rate_bin(h)= error_rate_bin(h)+error_rate_cin(o)*v(h,o); end

error_rate_bin(h)=error_rate_bin(h)*bout(h)*(1-bout(h)); end