1.００００ 1．000０ 1.00００ 0.9982 0.9658 0.9９81
wｉj =
3.5796 2．0２82 ２.５9８5 ５.34９7 -0．4644 2.5７７3
５．533７ －0．4５１6 －1．6788
wｋi ＝
1.5490 6.１430 5.88０３ 2.0５93 １．３288 3.8１4４
由仿真结果可以看出,网络在第八步就可以得到满足误差函数的输出，输出时OK。 由于初始权值是随机给定的，因此每次运行结果可能有所差异。
2.２用BP网路逼近ｓin函数：
function [ ｏutput_arｇs ] = BP１（ inｐｕｔ_args ) ％UＮTITＬED Sｕmmａry of this fｕｎｃtiｏn goeｓ herｅ % Ｄetailed explanaｔion goeｓ here
%P=[0 1 2 3 4 ５ 6 7 8 ９ 1０］; %Ｔ=[0 １ 2 ３ 4 3 2 1 2 3 4]; P=－1:0.1:1； %输入范围 T=ｓin(pi*Ｐ）; %样本值
neｔ=neｗｆf([0 10],[5,1],{'tａｎsｉg','purelｉn'}); %建立网络 ％nｅｔ＝neｗｆf（［０ １0],[5,1],｛'tansig'，'purelin＇},＇ｔraingd'，'ｌearngd'，＇mｓereg＇); ％nｅt=newff([0 １0]，[５,1］,{'tanｓig','purｅlin＇},'traingdｘ＇,'leａrｎgd','msereg＇); nｅｔ.trａiｎParam.ｅpoｃhs＝2０0; ％训练步长为200 nｅt=ｔrain(net，P，T); %开始训练 figuｒe；
Y=sim(net,P); %输入下网络的输出
plot(P,Ｔ,＇+＇,P,Y,＇o'） %将样本与实际输出作图显示 end
逼近结果：
1.510.50-0.5-1-1.5-1-0.8-0.6-0.4-0.200.20.40.60.81
其中+为目标值，Ｏ为实际输出值,从逼近小姑来看,效果还是比较理想的。
3 GUI作业：
MATLAB工具箱中常用的几类函数: 前向网络创建函数:
neｗｃf 创建级联前向网络 neｗfｆ 创建前向BP网络
nｅwｆｆd 创建存在输入延迟的前向网络 传递函数:
logsig S型的对数函数
ｄloｇsiｇ lｏgsiｇ的导函数 taｎsig S型的正切函数 dtansig tansig的导函数 puｒeｌin 纯线性函数
dpｕrｅｌin purｅlin的导函数 学习函数:
lｅaｒｎgd 基于梯度下降法的学习函数 learngdm 梯度下降栋梁学习函数 训练函数：
tｒainbrBaｙeｓ 规范化BP训练函数
ｔraiｎc 循环顺序渐增训练函数
ｔrａｉncgb Pｏwelｌ-Beａle连接梯度BP训练函数 traiｎcgf Fletcher-Pｏwell连接梯度BP训练函数
trａiｎcｇp Polａｋ-Ｒｉbierｅ连接梯度BP训练函数 traingdａ 自适应lｒBＰ的梯度递减训练函数
ｔraingｄx 动量及自适应lrBＰ的梯度递减训练函数 trainlm Ｌeveｎbeｒg-Marｑuarｄt BP训练函数 trａｉnoss 一步正切BＰ训练函数
tｒaｉｎｒ 随机顺序递增更新训练函数 trainrp 带反弹的BP训练函数 trains 顺序递增BP训练函数
ｔrainscg 量化连接梯度BP训练函数 性能函数:
mse 均方误差函数
mseｒeｇ 均方误差规范化函数 显示函数:
plotperf 绘制网络的性能
pｌotｅｓ 绘制一个单独神经元的误差曲面 ploteｐ 绘制权值和阈值在误差曲面的位置 errｓuｒｆ 计算单个神经元的误差曲面
ＧUI的应用:
我选择的是建立ＢP网络逼近sｉｎ 函数
首先在ＭATＬAB主窗口 输入nntooｌ即可进入神经网络工具箱
点击下方的creａt ｎｅtｗork or dａta即可进行输入、目标输出及网络的选择。 １首先输入一个输入X:［-1:0.１:1]；
再输入期望输出Ｔ:[siｎ（pi*(－1:０.1：１)）]; 2然后建立BP网络如下图所示:
命名为ＢP1
选取网络形式中选择:前馈BＰ网络,输入选择X,期望输出选择T， 训练函数选择:TRAINＬM(Levenｂerg-Mａrqｕａrdt BP训练函数) 学习函数选择：LEARＮＧD（基于梯度下降法的学习函数） 误差计算函数选择MＳＥ(均方误差函数）,
神经元传输函数选择：TＡNSＩＧ（ Ｓ型的正切函数） 单击ｃreat即可建立网络。 3建立好后进行训练
进入训练界面，选择输入和期望输出,即可进行训练。
训练结果如下:
相关推荐：
loading