内容发布更新时间 : 2024/6/24 19:33:18星期一 下面是文章的全部内容请认真阅读。

net = train(net,X,D); O = sim(net,X); figure;

plot(X,D,'*',X,O); %绘制训练后得到的结果和误差曲线（附录：1-2、1-3） V = net.iw{1,1}%输入层到中间层权值 theta1 = net.b{1}%中间层各神经元阈值 W = net.lw{2,1}%中间层到输出层权值 theta2 = net.b{2}%输出层各神经元阈值

所得结果如下：

输入层到中间层的权值： V??-9.1669 7.3448 7.3761 4.8966 3.5409? 中间层各神经元的阈值： ???6.5885 -2.4019 -0.9962 1.5303 3.2731? 中间层到输出层的权值： W??0.3427 0.2135 0.2981 -0.8840 1.9134? 输出层各神经元的阈值：T?-1.5271

举例3、利用三层BP神经网络来完成非线性函数的逼近任务，其中隐层神经元个数为五个。 样本数据： 输入X 0 1 2 3 解：

看到期望输出的范围超出??1,1?，所以输出层神经元利用线性函数作为转移函数。 程序如下：

clear; clc;

X = [0 1 2 3 4 5 6 7 8 9 10]; D = [0 1 2 3 4 3 2 1 2 3 4]; figure;

plot(X,D,'*'); %绘制原始数据分布图

net = newff([0 10],[5 1],{'tansig','purelin'}) net.trainParam.epochs = 100; net.trainParam.goal=0.005; net=train(net,X,D); O=sim(net,X); figure;

plot(X,D,'*',X,O); %绘制训练后得到的结果和误差曲线（附录：2-2、2-3） V = net.iw{1,1}%输入层到中间层权值 theta1 = net.b{1}%中间层各神经元阈值

TT输出D 0 1 2 3 输入X 4 5 6 7 输出D 4 3 2 1 输入X 8 9 10 输出D 2 3 4

W = net.lw{2,1}%中间层到输出层权值 theta2 = net.b{2}%输出层各神经元阈值

所得结果如下：

输入层到中间层的权值：V??0.8584 2.0890 -1.2166 0.2752 -0.3910? 中间层各神经元的阈值：???-14.0302 -9.8340 7.4331 -2.0135 0.5610? 中间层到输出层的权值： W??-0.4675 -1.1234 2.3208 4.6402 -2.2686? 输出层各神经元的阈值：T?1.7623

问题：以下是上证指数2009年2月2日到3月27日的收盘价格，构建一个三层BP神经网络，

利用该组信号的6个过去值预测信号的将来值。

TT日期 2009/02/02 2009/02/03 2009/02/04 2009/02/05 2009/02/06 2009/02/09 2009/02/10 2009/02/11 2009/02/12 2009/02/13 2009/02/16 2009/02/17 2009/02/18 2009/02/19 2009/02/20 2009/02/23 2009/02/24 2009/02/25 2009/02/26 2009/02/27

load data3_1.txt;

[m,n]=size( data3_1); tsx = data3_1(1:m-1,1); tsx=tsx';

价格 2011.682 2060.812 2107.751 2098.021 2181.241 2224.711 2265.161 2260.822 2248.092 2320.792 2389.392 2319.442 2209.862 2227.132 2261.482 2305.782 2200.652 2206.572 2121.252 2082.852 日期 2009/03/02 2009/03/03 2009/03/04 2009/03/05 2009/03/06 2009/03/09 2009/03/10 2009/03/11 2009/03/12 2009/03/13 2009/03/16 2009/03/17 2009/03/18 2009/03/19 2009/03/20 2009/03/23 2009/03/24 2009/03/25 2009/03/26 2009/03/27 价格 2093.452 2071.432 2198.112 2221.082 2193.012 2118.752 2158.572 2139.021 2133.881 2128.851 2153.291 2218.331 2223.731 2265.761 2281.091 2325.481 2338.421 2291.551 2361.701 2374.44

ts = data3_1(2:m,1); ts=ts';

[TSX,TSXps]=mapminmax(tsx,1,2); [TS,TSps]=mapminmax(ts,1,2); TSX=TSX';

figure;

plot(ts,'LineWidth',2);

title('到杭旅游总人数(1999.01.01-2009.12.31)','FontSize',12); xlabel('统计年份(1990.12.19-2009.08.19)','FontSize',12); ylabel('归一化后的总游客数/万人','FontSize',12); grid on;

% 生成BP网络、利用minmax函数求输入样本范围

net_1=newff(minmax(TS),[10,1],{'tansig','purelin'},'traincgf') % 设置训练参数

net_1.trainParam.show = 50; %显示训练迭代过程（NaN表示不显示，缺省25） net_1.trainParam.lr = 0.025; %学习率（缺省0.01） net_1.trainParam.mc = 0.9; %动量因子（缺省0.9） net_1.trainParam.epochs = 10000; %最大训练次数 net_1.trainParam.goal = 0.001; %训练要求精度

inputWeights=net_1.IW{1,1} %输入层权值 inputbias=net_1.b{1} %输入层阈值 layerWeights=net_1.LW{2,1} %输出层权值 layerbias=net_1.b{2} %输出层阈值

TS',TSX % 网络训练

[net_1,tr]=train(net_1,TS,TSX);