BP神经网络MATLAB实现

piday123

  |& H' K8 d0 ?) Y: ~5 Y5 V文章目录

• BP神经网络
  7 u3 ~2 U( S, Y  n3 |

• MATLAB代码
• 效果
  

: C# p& s' h( x1 iBP神经网络
# Y/ h* n* S9 M, DBP(back propagation)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，是目前应用最广泛的神经网络。
. y+ t( p, W5 w+ E
BP神经网络的计算过程由正向计算过程和反向计算过程组成。正向传播过程，输入模式从输入层经隐单元层逐层处理，并转向输出层，每～层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各神经元的权值，使得误差信号最小。

MATLAB代码

0 K+ P( ~' b8 b: V$ l' S4 a! Z

• clc
• clear all
• %读取训练数据
• [f1,f2,f3,f4,class] = textread('trainData.txt' , '%f%f%f%f%f',150);
• %特征值归一化
• [input,minI,maxI] = premnmx( [f1 , f2 , f3 , f4 ]')  ;
• %构造输出矩阵
• s = length( class) ;
• output = zeros( s , 3  ) ;
• for i = 1 : s
•    output( i , class( i )  ) = 1 ;
• end
• %创建神经网络
• net = newff( minmax(input) , [10 3] , { 'logsig' 'purelin' } , 'traingdx' ) ;
• %设置训练参数
• net.trainparam.show = 50 ;
• net.trainparam.epochs = 500 ;
• net.trainparam.goal = 0.01 ;
• net.trainParam.lr = 0.01 ;
• %开始训练
• net = train( net, input , output' ) ;
• %读取测试数据
• [t1 t2 t3 t4 c] = textread('testData.txt' , '%f%f%f%f%f',150);
• %测试数据归一化
• testInput = tramnmx ( [t1,t2,t3,t4]' , minI, maxI ) ;
• %仿真
• Y = sim( net , testInput )
• %统计识别正确率
• [s1 , s2] = size( Y ) ;
• hitNum = 0 ;
• for i = 1 : s2
•     [m , Index] = max( Y( : ,  i ) ) ;
•     if( Index  == c(i)   )
•         hitNum = hitNum + 1 ;
•     end
• end
• sprintf('识别率是 %3.3f%%',100 * hitNum / s2 )
• 
  

              
- C: n- `! [$ p5 ^( X效果
识别率是 97.333%

NNNei256

BP神经网络MATLAB实现