%
% %讀取訓練資料
[f1,f2,f3,f4,class] = textread('f:\matlabcode\bp神經網路例子\iris資料集\traindata.txt' , '%f%f%f%f%f',150);
%特徵值歸一化 %這裡的每列是乙個屬性/特徵的所有輸入值，並不是後面函式中輸入的一組樣本資料。
[input,mini,maxi] = premnmx( [f1 , f2 , f3 , f4 ]') ;
%構造輸出矩陣
s = length( class) ;
output = zeros( s , 3 ) ;
for i = 1 : s
output( i , class( i ) ) = 1 ;
end%建立神經網路
net = newff( minmax(input) , [10 3] , , 'traingdx' ) ;
%設定訓練引數
net.trainparam.show = 50 ;
net.trainparam.epochs = 500 ;
net.trainparam.goal = 0.01 ;
net.trainparam.lr = 0.01 ;
%開始訓練
net = train( net, input , output' ) ;
%讀取測試資料
[t1 t2 t3 t4 c] = textread('f:\matlabcode\bp神經網路例子\iris資料集\testdata.txt' , '%f%f%f%f%f',150);
%測試資料歸一化
testinput = tramnmx ( [t1,t2,t3,t4]' , mini, maxi ) ;
%**y = sim( net , testinput )
%統計識別正確率
[s1 , s2] = size( y ) ;
hitnum = 0 ;
for i = 1 : s2
[m , index] = max( y( : , i ) ) ;
if( index == c(i) )
hitnum = hitnum + 1 ;
endend
sprintf('識別率是 %3.3f%%',100 * hitnum / s2 )
%
clear all
p = [-1 -1 2 2; 0 5 0 5];
t = [-1 -1 2 2];
%% 新式語法
net2 = newff(p,t,5,, 'traingd'); % 隱含層有5個神經元
%p是輸入的資料樣本 t是隱層到輸出層的各自節點數
net2.trainparam.goal = 1e-5;
net2.trainparam.epochs = 300;
net2.trainparam.lr = 0.05;
net2.trainparam.showwindow = 1;
net2.dividefcn = ''; % 為和書本一致，對於樣本極少的情況，不要再三分了
% newff.m分成三大塊：主程式、新版實現子函式 new_5p1()、舊版實現子函式 new_5p0()。通過仔細比較新舊這兩個子函式，發現新版設定了 net.dividefcn 屬性，
% 其值為'dividerand'。該函式把樣本資料三分為訓練集、驗證集和測試集，預設比例是6:2:2。於是在我的程式中清除該屬性再訓練：
net2 = train(net2,p,t);
y2 = sim(net2,p);
disp(['新式語法 mse: ' num2str(mse(t-y2))]);
%
% 部落格位址
clear;
clc;
x=-1:0.1:1;
d=[-0.9602 -0.5770 -0.0729 0.3771 0.6405 0.6600 0.4609...
0.1336 -0.2013 -0.4344 -0.5000 -0.3930 -0.1647 -.0988...
0.3072 0.3960 0.3449 0.1816 -0.312 -0.2189 -0.3201];
figure;
plot(x,d,'*'); %繪製原始資料分布圖
net = newff([-1 1],[10 1],);
net.trainparam.epochs = 500; %訓練的最大次數
net.trainparam.goal = 0.005; %全域性最小誤差
net = train(net,x,d);
o = sim(net,x);
figure;
plot(x,d,'*',x,o); %繪製訓練後得到的結果和誤差曲線
v = net.iw%輸入層到中間層權值
theta1 = net.b%中間層各神經元閾值
w = net.lw%中間層到輸出層權值
theta2 = net.b%輸出層各神經元閾值
% 神經網路學習主要函式說明
% newff:前饋網路建立函式
% 語法：
% net = newff(a,b,,』trainfun』,』blf』,』pf』)。
% a：乙個n*2的矩陣，第i行元素為輸入訊號xi的最大最小值
% b：乙個k維行向量，其元素為網路中各個節點的數量。
% c：乙個k維字串行向量，每乙個分量為對應層的神經元的啟用函式，預設為「tansig」
% trainfun：為學習規則的採用的訓練演算法。預設為：「trainlm」
% blf：bp權值/偏差學習函式。預設為：「learngdm」
% pf：效能函式，預設為「mse」
% % train函式
% 語法：
% 即網路學習函式：
% [net,tr,yi,e] = train(net,x,y)
% x：網路實際輸入
% y：網路應有輸出
% tr：網路跟蹤資訊
% yi：網路實際輸出
% e：誤差矩陣
% % sim函式
% **語法：**y = sim(net,x)
% x：輸入給網路的k*n矩陣，k為網路輸入個數，n為樣本資料量
% y：輸出矩陣q*n,其中q為網路輸出個數
%
% 部落格位址
% bp網路函式逼近例項
% 1.首先定義正弦函式，取樣率為20hz，頻率為1hz
k = 1; % 設定正弦訊號頻率
p = [0:0.05:4];
t = cos(k*pi*p) + 2*sin(pi*p);
plot(p, t, '-')
xlabel('時間')
ylabel('輸入訊號')
% 2.生成bp網路。用newff函式生成前向型bp網路，設定隱層中神經元數目為10
% 分別選擇隱層的傳遞函式為 tansig，輸出層的傳遞函式為 purelin，
% 學習演算法為trainlm表示網路的訓練函式。
net =newff(minmax(p),[10,10,1],,'trainlm');
% 3.對生成的網路進行**並做圖顯示。 sim是**函式
y1 = sim(net,p); plot(p, t, '-', p, y1, '--')
% 4.訓練。對網路進行訓練，設定訓練誤差目標為 1e-5，最大迭代次數為300，
% 學習速率為0.05。
net.trainparam.lr=0.05;
net.trainparam.epochs=300;
net.trainparam.goal=1e-5;
[net,tr]=train(net,p,t);
%5.再次對生成的網路進行**並做圖顯示。
y2 = sim(net,p);
plot(p, t, '-', p, y2, '--')
BP神經網路
基本bp神經網路演算法包括 訊號的前向傳播 誤差的反向傳播 也即計算實際輸出時按照輸入到輸出的方向進行，權值閾值調整則相反。bp是一種多層前饋神經網路，由輸入層 隱含層和輸出層組成。層與層之間有兩種訊號在流動 一種是從輸入流向輸出的工作訊號，是輸入和權值的函式 另一種是輸入流向輸出的訊號，即誤差。隱...
BP神經網路
x 為輸入向量，y為隱藏層的神經元，z 為輸出層,d為目標真實值,本文預設 z 不經過sigmod處理。x y的權重為 w,y z的權重為 v yj ix iwij 1 oyi f y j 2 其中激勵函式f x 1 1 e x f x f x 1 f x 3 z k j f yj vjk 此時系統...
BP神經網路
bp是back propagation bp神經網路主要的演算法在於誤差反向傳播error backpropagation 有三層 輸入層 input 隱含層 hidden 輸出層 output 輸入層 n個神經元 隱含層 p個神經元 輸出層 q個神經元 輸入向量 x x1,x2,x n 隱含層輸入...