bp神经网络程序代码（BP神经网络软件）

今天给各位分享bp神经网络程序代码的知识，其中也会对BP神经网络软件进行解释，如果能碰巧解决你现在面临的问题，别忘了关注本站，现在开始吧！

本文目录一览：

• 1、BP神经网络预测代码
• 2、BP神经网络matlab代码
• 3、神经网络BP算法求代码
• 4、求一个4，8，1的bp神经网络模型的matlab代码？
• 5、matlab程序 BP神经网络预测 程序如下：

BP神经网络预测代码

你这是在做时间序列呢。

你可以去《神经网络之家》nnetinfo----》学习教程二---神经网络在时间序列上的应用

上面有讲解。我把代码摘抄给你

% time series:神经网络在时间序列上的应用

% 本代码出自《神经网络之家》

timeList = 0 :0.01 : 2*pi; %生成时间点

X = sin(timeList); %生成时间序列信号

%利用x(t-5),x(t-4),x(t-3),x(t-2),x(t-1)作为输入预测x(t)，将x(t)作为输出数据

inputData = [X(1:end-5);X(2:end-4);X(3:end-3);X(4:end-2);X(5:end-1)];

outputData = X(6:end);

%使用用输入输出数据（inputData、outputData）建立网络，

%隐节点个数设为3.其中隐层、输出层的传递函数分别为tansig和purelin，使用trainlm方法训练。

net = newff(inputData,outputData,3,{'tansig','purelin'},'trainlm');

%设置一些常用参数

net.trainparam.goal = 0.0001; %训练目标：均方误差低于0.0001

net.trainparam.show = 400; %每训练400次展示一次结果

net.trainparam.epochs = 1500; %最大训练次数：15000.

[net,tr] = train(net,inputData,outputData);%调用matlab神经网络工具箱自带的train函数训练网络

simout = sim(net,inputData); %调用matlab神经网络工具箱自带的sim函数得到网络的预测值

figure; %新建画图窗口窗口

t=1:length(simout);

plot(t,outputData,t,simout,'r')%画图，对比原来的输出和网络预测的输出

%------------------附加:抽取数学表达式----------------------------top

%希望脱离matlab的sim函数来使用训练好网络的话，可以抽取出数学的表达式，|

%这样在任何软件中，只需要按表达式计算即可。 |

%============抽取数学表达式==================

%抽取出网络的权值和阈值

w12 = net.iw{1,1}; %第1层（输入层）到第2层（隐层）的权值

b2 = net.b{1}; %第2层（隐层）的阈值

w23 = net.lw{2,1}; %第2层（隐层）到第3层（输出层）的权值

b3 = net.b{2}; %第3层（输出层）的阈值

%由于有归一化，必须先将归一化信息抓取出来

iMax = max(inputData,[],2);

iMin = min(inputData,[],2);

oMax = max(outputData,[],2);

oMin = min(outputData,[],2);

%方法1：归一化---计算输出---反归一化

normInputData=2*(inputData -repmat(iMin,1,size(inputData,2)))./repmat(iMax-iMin,1,size(inputData,2)) -1;

tmp = w23*tansig( w12 *normInputData + repmat(b2,1,size(normInputData,2))) + repmat(b3,1,size(normInputData,2));

myY = (tmp+1).*repmat(oMax-oMin,1,size(outputData,2))./2 + repmat(oMin,1,size(outputData,2));

%方法2：用真正的权值和阈值进行计算

%公式请参考《提取对应原始数据的权重和阈值》

W12 = w12 * 2 ./repmat(iMax' -iMin',size(w12,1),1);

B2 = -w12* (2*iMin ./(iMax - iMin) + 1) + b2;

W23 = w23 .*repmat((oMax -oMin),1,size(w23,2))/2;

B3 = (oMax -oMin) .*b3 /2 + (oMax -oMin)/2 + oMin;

%最终的数学表达式：

myY2 = W23 *tansig( W12 *inputData + repmat(B2,1,size(inputData,2))) + repmat(B3,1,size(inputData,2));

BP神经网络matlab代码

clear

clc

alpha=0.05;

eta=0.2;

ny=2;d=2;nu=3;

n=ny+nu-d+1;

m=6;

w1k1=randn(m,n);%6*4

w1k2=w1k1;

w2k1=randn(1,m);%1*6

w2k2=w2k1;

L=1000;

uk=zeros(nu,1);%2*1

yk=zeros(ny,1);%2*1

fork=1:L

    time(k)=k;

    u(k)=0.8*sin(0.01*pi*k);

    y(k)=uk(2)^3+uk(3)^3+(0.8+yk(1)^3)/(1+yk(1)^2+yk(2)^4);

    X=[yk;uk(d:nu)];

    o=X;%4*1

    net2=w1k1*X;% 6*1

    o2=1./(1+exp(-net2));%6*1

    ym(k)=w2k1*o2;

    e(k)=y(k)-ym(k);

 dw2=eta*e(k)*o2';%1*6 e(k)ÊÇÒ»¸öÊý£¬kָϱꡣ

    w2=w2k1+dw2+alpha*(w2k1-w2k2);%1*6

    dnet2=exp(-net2)./(1+exp(-net2)).^2;%6*1

   dw1k1=eta*e(k)*w2k1'.*dnet2*o';

    w1=w1k1+dw1k1+alpha*(w1k1-w1k2);

    w1k2=w1k1;w1k1=w1;

    w2k2=w2k1;w2k1=w2;

    for i=nu:-1:2

        uk(i)=uk(i-1);

    end

    uk(1)=u(k);

    for i=ny:-1:2

        yk(i)=yk(i-1);

    end

    yk(1)=y(k);   

end

subplot(211)

plot(time,y,'r:',time,ym,'k');

xlabel('k'); ylabel('y(k)¡¢y_m(k)');

legend('y(k)','y_m(k)'); %axis([0 L -.4 1.6]);

subplot(212)

plot(time,y-ym,'k');

xlabel('k'); ylabel('e(k)'); axis([0 L -1 1]);

神经网络BP算法求代码

输入节点数为3x3x5=45，输出节点数为3x3+2=11，隐节点数通过试凑法得出。

BP神经网络的Matlab代码见附件，修改节点数、增加归一化和反归一化过程即可。

BP算法，误差反向传播（Error Back Propagation, BP）算法。BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。由于多层前馈网络的训练经常采用误差反向传播算法，人们也常把将多层前馈网络直接称为BP网络。

1）正向传播：输入样本－输入层－各隐层（处理）－输出层

注1：若输出层实际输出与期望输出（教师信号）不符，则转入2）（误差反向传播过程）

2）误差反向传播：输出误差（某种形式）－隐层（逐层）－输入层

其主要目的是通过将输出误差反传，将误差分摊给各层所有单元，从而获得各层单元的误差信号，进而修正各单元的权值（其过程，是一个权值调整的过程）。

注2：权值调整的过程，也就是网络的学习训练过程（学习也就是这么的由来，权值调整）。

求一个4，8，1的bp神经网络模型的matlab代码？

代码如下：直接运行就是了。

P=P=[-1,  -2,    3,    1;       -1,    1,    5,  -3; -2,  3, 4, 6;  1, 2, 3,  4 ];%初始训练值

%  创建一个新的前向神经网络 

net=newff(minmax(P),[8,1],{'tansig','purelin'},'traingdm')

%  当前输入层权值和阈值 

inputWeights=net.IW{1,1} 

inputbias=net.b{1} 

%  当前网络层权值和阈值 

layerWeights=net.LW{2,1} 

layerbias=net.b{2} 

%  设置训练参数 

net.trainParam.show = 50; 

net.trainParam.lr = 0.05; 

net.trainParam.mc = 0.9; 

net.trainParam.epochs = 1000; 

net.trainParam.goal = 1e-3; 

%  调用 TRAINGDM 算法训练 BP 网络 

[net,tr]=train(net,P,T); 

%  对 BP 网络进行仿真 

A = sim(net,P) %最后结果

%  计算仿真误差 

E = T - A 

MSE=mse(E)

matlab程序 BP神经网络预测 程序如下：

P=[。。。];输入T=[。。。];输出

% 创建一个新的前向神经网络

net_1=newff(minmax(P),[10,1],,'traingdm')

% 当前输入层权值和阈值

inputWeights=net_1.IW

inputbias=net_1.b

% 当前网络层权值和阈值

layerWeights=net_1.LW

layerbias=net_1.b

应该没问题吧。

bp神经网络程序代码的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于BP神经网络软件、bp神经网络程序代码的信息别忘了在本站进行查找喔。