首页 > 学生作文 > 读后感 > 读后感800字 >

MATLAB程序代码BP神经网络的设计实例

由天下分享时间：2024/12/26 17:25:44 加入收藏我要投稿点赞

pause clc

% 创建一个新的前向神经网络

net=newff(minmax(P),[5,1],{'tansig','purelin'},'traingdx'); pause clc

% 设置训练参数

net.trainParam.epochs = 500; net = init(net); pause clc

% 训练 BP 网络

[net,tr]=train(net,P,T,[],[],val); pause clc

% 对 BP 网络进行仿真 A = sim(net,P);

% 计算仿真误差 E = T - A; MSE=mse(E) pause clc

% 绘制仿真拟合结果曲线 close all;

plot(P,A,P,T,'+',P,sin(2*pi*P),':'); pause;

clc echo off

下面给出了网络的某次训练结果，可见，当训练至第 136 步时，训练提前停止，此时的网络误差为 0.0102565。给出了训练后的仿真数据拟合曲线，效果是相当满意的。 [net,tr]=train(net,P,T,[],[],val);

TRAINGDX, Epoch 0/500, MSE 0.504647/0, Gradient 2.1201/1e-006 TRAINGDX, Epoch 25/500, MSE 0.163593/0, Gradient 0.384793/1e-006 TRAINGDX, Epoch 50/500, MSE 0.130259/0, Gradient 0.158209/1e-006 TRAINGDX, Epoch 75/500, MSE 0.086869/0, Gradient 0.0883479/1e-006 TRAINGDX, Epoch 100/500, MSE 0.0492511/0, Gradient 0.0387894/1e-006 TRAINGDX, Epoch 125/500, MSE 0.0110016/0, Gradient 0.017242/1e-006 TRAINGDX, Epoch 136/500, MSE 0.0102565/0, Gradient 0.01203/1e-006 TRAINGDX, Validation stop.

例3 用BP网络估计胆固醇含量

这是一个将神经网络用于医疗应用的例子。我们设计一个器械，用于从血样的光谱组成的测量中得到血清的胆固醇含量级别，我们有261个病人的血样值，包括21种波长的谱线的数据，对于这些病人，我们得到了基于光谱分类的胆固醇含量级别hdl,ldl,vldl。

(1) 样本数据的定义与预处理。

choles_all.mat 文件中存储了网络训练所需要的全部样本数据。

利用 load 函数可以在工作空间中自动载入网络训练所需的输入数据 p 和目标数据 t，即 load choles_all sizeofp = size (p) sizeofp = 21 264 sizeoft = size (t) sizeoft = 3 264

可见，样本集的大小为 264。为了提高神经网络的训练效率，通常要对样本数据作适当的预处理。首先，利用 prestd 函数对样本数据作归一化处理，使得归一化后的输入和目标数据均服从正态分布，即 [pn,meanp,stdp,tn,meant,stdt] = prestd(p,t);

然后，利用 prepca 函数对归一化后的样本数据进行主元分析，从而消除样本数据中的冗余成份，起到数据降维的目的。

[ptrans,transMat] = prepca(pn,0.001); [R,Q] = size(ptrans) R = 4 Q = 264

可见，主元分析之后的样本数据维数被大大降低，输入数据的维数由 21 变为 4。 (2) 对训练样本、验证样本和测试样本进行划分。

为了提高网络的推广能力和识别能力，训练中采用“提前停止”的方法，因此，在训练之前，需要将上面处理后的样本数据适当划分为训练样本集、验证样本集和测试样本集。

(3) 网络生成与训练。选用两层 BP 网络，其中网络输入维数为 4，输出维数为 3，输出值即为血清胆固醇的三个指标值大小。网络中间层神经元数目预选为 5，传递函数类型选为 tansig 函数，输出层传递函数选为线性函数 purelin，训练函数设为 trainlm。网络的生成语句如下：

net = newff(minmax(ptr),[5 3],{'tansig' 'purelin'},'trainlm');

利用 train 函数对所生成的神经网络进行训练，训练结果如下： [net,tr]=train(net,ptr,ttr,[],[],val,test);

见，网络训练迭代至第 20 步时提前停止，这是由于验证误差已经开始变大。利用下面语句可以绘制出训练误差、验证误差和测试误差的变化曲线，如图 4.50 所示。由图可见，验证误差和测试误差的变化趋势基本一致，说明样本集的划分基本合理。由训练误差曲线可见，训练误差结果也是比较满意的。

(4) 网络仿真。为了进一步检验训练后网络的性能，下面对训练结果作进一步仿真分析。利用 postreg函数可以对网络仿真的输出结果和目标输出作线性回归分析，并得到两者的相关系数，从而可以作为网络训练结果优劣的判别依据。仿真与线性回归分析如下： an = sim(net,ptrans);

a = poststd(an,meant,stdt); for i=1:3 figure(i)

[m(i),b(i),r(i)] = postreg(a(i,:),t(i,:)); end

%导入原始测量数据 load choles_all;

%对原始数据进行规范化处理,prestd是对输入数据和输出数据进行规范化处理， %prepca可以删除一些数据，适当地保留了变化不小于0.01的数据 [pn,meanp,stdp,tn,meant,stdt]=prestd(p,t); [ptrans,transMat]=prepca(pn,0.001); [R,Q]=size(ptrans)

%将原始数据分成几个部分作为不同用途四分已用于确证，四分一用于测试，二分一用于训练网络 iitst=2:4:Q; iival=4:4:Q;

iitr=[1:4:Q 3:4:Q];

%vv是确证向量，.P是输入，.T是输出，vt是测试向量 vv.P=ptrans(:,iival); vv.T=tn(:,iival); vt.P=ptrans(:,iitst); vt.T=tn(:,iitst); ptr=ptrans(:,iitr); ttr=tn(:,iitr);

%建立网络，隐层中设计5个神经元，由于需要得到的是3个目标，所以网络需要有3个输出

net=newff(minmax(ptr),[5 3],{'tansig' 'purelin'},'trainlm'); %训练网络

net.trainParam.show=5;

[net,tr]=train(net,ptr,ttr,[],[],vv,vt);

%绘出训练过程中各误差的变化曲线

plot(tr.epoch,tr.perf,'r',tr.epoch,tr.vperf,':g',tr.epoch,tr.tperf,'-.b'); legend('训练','确证','测试',-1); ylabel('平方误差'); xlabel('时间'); pause;

%将所有数据通过网络（包括训练，确证，测试），然后得到网络输出和相应目标进行线性回归，

%对网络输出进行反规范化变换，并绘出个各级别的线性回归结果曲线 an=sim(net,ptrans);

a=poststd(an,meant,stdt);