精华内容
下载资源
问答
  • MatlabBP算法例程神经网络-BP算法例程(神经网络).rar BP算法例程(神经网络),挺不错的!!!
  • Matlab神经网络工具箱BP算法比较Matlab神经网络工具箱BP算法比较Matlab神经网络工具箱BP算法比较
  • matlab 编写的神经网络bp算法程序。计算机仿真课的结课作业。上传共享。有L-M和贝叶斯两种优化算法。
  • 神经网络matlab实现各种10种BP算法
  • 神经网络bp算法

    2019-10-30 23:25:44
    模式识别中的神经网络bp算法matlab程序,处理水质分类,共分为5类,最终把每类的识别率和总识别率存在excel中,识别率可达到75 以上。
  • 神经网络bp算法程序,三层神经网络,实现异或算法,
  • 最近一段时间在研究如何利用...发现神经网络模型可以来预测,并且有很多是结合时间序列或者SVM(支持向量机)等组合模型来进行预测,本文结合实际数据,选取了常用的BP神经网络算法,其算法原理,因网上一大堆,所以...

      最近一段时间在研究如何利用预测其销量个数,在网上搜索了一下,发现了很多模型来预测,比如利用回归模型、时间序列模型,GM(1,1)模型,可是自己在结合实际的工作内容,发现这几种模型预测的精度不是很高,于是再在网上进行搜索,发现神经网络模型可以来预测,并且有很多是结合时间序列或者SVM(支持向量机)等组合模型来进行预测,本文结合实际数据,选取了常用的BP神经网络算法,其算法原理,因网上一大堆,所以在此不必一一展示,并参考了bp神经网络进行交通预测的Matlab源代码这篇博文,运用matlab 2016a,给出了下面的代码,并最终进行了预测

    clc
    
    clear all
    
    close all
    
    %bp 神经网络的预测代码
    
    %载入输出和输入数据
    
    load C:\Users\amzon\Desktop\p.txt;
    
    load C:\Users\amzon\Desktop\t.txt;
    
    %保存数据到matlab的工作路径里面
    
    save p.mat;
    
    save t.mat;%注意t必须为行向量
    
    %赋值给输出p和输入t
    
    p=p;
    
    t=t;
    
    %数据的归一化处理,利用mapminmax函数,使数值归一化到[-1.1]之间
    
    %该函数使用方法如下:[y,ps] =mapminmax(x,ymin,ymax),x需归化的数据输入,
    
    %ymin,ymax为需归化到的范围,不填默认为归化到[-1,1]
    
    %返回归化后的值y,以及参数ps,ps在结果反归一化中,需要调用
    
    [p1,ps]=mapminmax(p);
    
    [t1,ts]=mapminmax(t);
    
    %确定训练数据,测试数据,一般是随机的从样本中选取70%的数据作为训练数据
    
    %15%的数据作为测试数据,一般是使用函数dividerand,其一般的使用方法如下:
    
    %[trainInd,valInd,testInd] = dividerand(Q,trainRatio,valRatio,testRatio)
    
    [trainsample.p,valsample.p,testsample.p] =dividerand(p,0.7,0.15,0.15);
    
    [trainsample.t,valsample.t,testsample.t] =dividerand(t,0.7,0.15,0.15);
    
    %建立反向传播算法的BP神经网络,使用newff函数,其一般的使用方法如下
    
    %net = newff(minmax(p),[隐层的神经元的个数,输出层的神经元的个数],{隐层神经元的传输函数,输出层的传输函数},'反向传播的训练函数'),其中p为输入数据,t为输出数据
    
    %tf为神经网络的传输函数,默认为'tansig'函数为隐层的传输函数,
    
    %purelin函数为输出层的传输函数
    
    %一般在这里还有其他的传输的函数一般的如下,如果预测出来的效果不是很好,可以调节
    
    %TF1 = 'tansig';TF2 = 'logsig';
    
    %TF1 = 'logsig';TF2 = 'purelin';
    
    %TF1 = 'logsig';TF2 = 'logsig';
    
    %TF1 = 'purelin';TF2 = 'purelin';
    
    TF1='tansig';TF2='purelin';
    
    net=newff(minmax(p),[10,1],{TF1 TF2},'traingdm');%网络创建
    
    %网络参数的设置
    
    net.trainParam.epochs=10000;%训练次数设置
    
    net.trainParam.goal=1e-7;%训练目标设置
    
    net.trainParam.lr=0.01;%学习率设置,应设置为较少值,太大虽然会在开始加快收敛速度,但临近最佳点时,会产生动荡,而致使无法收敛
    
    net.trainParam.mc=0.9;%动量因子的设置,默认为0.9
    
    net.trainParam.show=25;%显示的间隔次数
    
    % 指定训练参数
    
    % net.trainFcn = 'traingd'; % 梯度下降算法
    
    % net.trainFcn = 'traingdm'; % 动量梯度下降算法
    
    % net.trainFcn = 'traingda'; % 变学习率梯度下降算法
    
    % net.trainFcn = 'traingdx'; % 变学习率动量梯度下降算法
    
    % (大型网络的首选算法)
    
    % net.trainFcn = 'trainrp'; % RPROP(弹性BP)算法,内存需求最小
    
    % 共轭梯度算法
    
    % net.trainFcn = 'traincgf'; %Fletcher-Reeves修正算法
    
    % net.trainFcn = 'traincgp'; %Polak-Ribiere修正算法,内存需求比Fletcher-Reeves修正算法略大
    
    % net.trainFcn = 'traincgb'; % Powell-Beal复位算法,内存需求比Polak-Ribiere修正算法略大
    
    % (大型网络的首选算法)
    
    %net.trainFcn = 'trainscg'; % ScaledConjugate Gradient算法,内存需求与Fletcher-Reeves修正算法相同,计算量比上面三种算法都小很多
    
    % net.trainFcn = 'trainbfg'; %Quasi-Newton Algorithms - BFGS Algorithm,计算量和内存需求均比共轭梯度算法大,但收敛比较快
    
    % net.trainFcn = 'trainoss'; % OneStep Secant Algorithm,计算量和内存需求均比BFGS算法小,比共轭梯度算法略大
    
    % (中型网络的首选算法)
    
    %net.trainFcn = 'trainlm'; %Levenberg-Marquardt算法,内存需求最大,收敛速度最快
    
    % net.trainFcn = 'trainbr'; % 贝叶斯正则化算法
    
    % 有代表性的五种算法为:'traingdx','trainrp','trainscg','trainoss', 'trainlm'
    
    %在这里一般是选取'trainlm'函数来训练,其算对对应的是Levenberg-Marquardt算法
    
    net.trainFcn='trainlm';
    
    [net,tr]=train(net,trainsample.p,trainsample.t);
    
    %计算仿真,其一般用sim函数
    
    [normtrainoutput,trainPerf]=sim(net,trainsample.p,[],[],trainsample.t);%训练的数据,根据BP得到的结果
    
    [normvalidateoutput,validatePerf]=sim(net,valsample.p,[],[],valsample.t);%验证的数据,经BP得到的结果
    
    [normtestoutput,testPerf]=sim(net,testsample.p,[],[],testsample.t);%测试数据,经BP得到的结果
    
    %将所得的结果进行反归一化,得到其拟合的数据
    
    trainoutput=mapminmax('reverse',normtrainoutput,ts);
    
    validateoutput=mapminmax('reverse',normvalidateoutput,ts);
    
    testoutput=mapminmax('reverse',normtestoutput,ts);
    
    %正常输入的数据的反归一化的处理,得到其正式值
    
    trainvalue=mapminmax('reverse',trainsample.t,ts);%正常的验证数据
    
    validatevalue=mapminmax('reverse',valsample.t,ts);%正常的验证的数据
    
    testvalue=mapminmax('reverse',testsample.t,ts);%正常的测试数据
    
    %做预测,输入要预测的数据pnew
    
    pnew=[313,256,239]';
    
    pnewn=mapminmax(pnew);
    
    anewn=sim(net,pnewn);
    
    anew=mapminmax('reverse',anewn,ts);
    
    %绝对误差的计算
    
    errors=trainvalue-trainoutput;
    
    %plotregression拟合图
    
    figure,plotregression(trainvalue,trainoutput)
    
    %误差图
    
    figure,plot(1:length(errors),errors,'-b')
    
    title('误差变化图')
    
    %误差值的正态性的检验
    
    figure,hist(errors);%频数直方图
    
    figure,normplot(errors);%Q-Q图
    
    [muhat,sigmahat,muci,sigmaci]=normfit(errors);%参数估计 均值,方差,均值的0.95置信区间,方差的0.95置信区间
    
    [h1,sig,ci]= ttest(errors,muhat);%假设检验
    
    figure, ploterrcorr(errors);%绘制误差的自相关图
    
    figure, parcorr(errors);%绘制偏相关图

    运行之后的,结果如下:

    BP神经网络的结果分析图

    训练数据的梯度和均方误差之间的关系图

    验证数据的梯度与学习次数

    残差的正态的检验图(Q-Q图)

     

     

    在网上,发现可以通过神经网络工具箱这个GUI界面来创建神经网络,其一般的操作步骤如下:

    1:在输入命令里面输入nntool命令,或者在应用程序这个选项下找到Netrual Net Fitting 这个应用程序,点击打开,就能看见如下界面

     

     

     

    2:输入数据和输出数据的导入(在本文中选取了matlab自带的案例数据)


    3:随机选择三种类型的数据所占的样本量的比例,一般选取默认即可
     



    4:隐层神经元的确定
                                                                                  


    5:训练算法的选取,一般是选择默认即可,选择完成后点击<train>按钮即可运行程序




    6:根据得到的结果,一般是MSE的值越小,R值越接近1,其训练的效果比较,并第二张图给出了神经网络的各参数的设置以及其最终的结果,其拟合图R越接近1,模型拟合的更好








    最终的结果图

    7:如果所得到的模型不能满足你的需求,则需重复上述的步骤直至能够得到你想要的精确度

    8:将最终的得到的各种数据以及其拟合值进行保存,然后查看,就可以得到所要的拟合值



    最后参考了网上和MATLAB的帮助,给出了一些与神经网络相关的函数,希望能够帮助大家。。
     图形用户界面功能。 
        nnstart - 神经网络启动GUI 
        nctool - 神经网络分类工具 
        nftool - 神经网络的拟合工具 
        nntraintool - 神经网络的训练工具 
        nprtool - 神经网络模式识别工具 
        ntstool - NFTool神经网络时间序列的工具 
        nntool - 神经网络工具箱的图形用户界面。 
        查看 - 查看一个神经网络。 
      
      网络的建立功能。 
        cascadeforwardnet - 串级,前馈神经网络。 
        competlayer - 竞争神经层。 
        distdelaynet - 分布时滞的神经网络。 
        elmannet - Elman神经网络。 
        feedforwardnet - 前馈神经网络。 
        fitnet - 函数拟合神经网络。 
        layrecnet - 分层递归神经网络。 
        linearlayer - 线性神经层。 
        lvqnet - 学习矢量量化(LVQ)神经网络。 
        narnet - 非线性自结合的时间序列网络。 
        narxnet - 非线性自结合的时间序列与外部输入网络。 
        newgrnn - 设计一个广义回归神经网络。 
        newhop - 建立经常性的Hopfield网络。 
        newlind - 设计一个线性层。 
        newpnn - 设计概率神经网络。 
        newrb - 径向基网络设计。 
        newrbe - 设计一个确切的径向基网络。 
        patternnet - 神经网络模式识别。 
        感知 - 感知。 
        selforgmap - 自组织特征映射。 
        timedelaynet - 时滞神经网络。 
      
      利用网络。 
        网络 - 创建一个自定义神经网络。 
        SIM卡 - 模拟一个神经网络。 
        初始化 - 初始化一个神经网络。 
        适应 - 允许一个神经网络来适应。 
        火车 - 火车的神经网络。 
        DISP键 - 显示一个神经网络的属性。 
        显示 - 显示的名称和神经网络属性 
        adddelay - 添加延迟神经网络的反应。 
        closeloop - 神经网络的开放反馈转换到关闭反馈回路。 
        formwb - 表格偏见和成单个向量的权重。 
        getwb - 将它作为一个单一向量中的所有网络权值和偏差。 
        noloop - 删除神经网络的开放和关闭反馈回路。 
        开环 - 转换神经网络反馈,打开封闭的反馈循环。 
        removedelay - 删除延迟神经网络的反应。 
        separatewb - 独立的偏见和重量/偏置向量的权重。 
        setwb - 将所有与单个矢量网络权值和偏差。 
      
      Simulink的支持。 
        gensim - 生成Simulink模块来模拟神经网络。 
        setsiminit - 集神经网络的Simulink模块的初始条件 
        getsiminit - 获取神经网络Simulink模块的初始条件 
        神经元 - 神经网络Simulink的模块库。 
      
      培训职能。 
        trainb - 批具有重量与偏见学习规则的培训。 
        trainbfg - 的BFGS拟牛顿倒传递。 
        trainbr - 贝叶斯规则的BP算法。 
        trainbu - 与重量与偏见一批无监督学习规则的培训。 
        trainbuwb - 与体重无监督学习规则与偏见一批培训。 
        trainc - 循环顺序重量/偏见的培训。 
        traincgb - 共轭鲍威尔比尔重新启动梯度反向传播。 
        traincgf - 共轭弗莱彻-里夫斯更新梯度反向传播。 
        traincgp - 共轭波拉克- Ribiere更新梯度反向传播。 
        traingd - 梯度下降反向传播。 
        traingda - 具有自适应LR的反向传播梯度下降。 
        traingdm - 与动量梯度下降。 
        traingdx - 梯度下降瓦特/惯性与自适应LR的反向传播。 
        trainlm - 采用Levenberg -马奎德倒传递。 
        trainoss - 一步割线倒传递。 
        trainr - 随机重量/偏见的培训。 
        trainrp - RPROP反向传播。 
        trainru - 无监督随机重量/偏见的培训。 
        火车 - 顺序重量/偏见的培训。 
        trainscg - 规模化共轭梯度BP算法。 
      
      绘图功能。 
        plotconfusion - 图分类混淆矩阵。 
        ploterrcorr - 误差自相关时间序列图。 
        ploterrhist - 绘制误差直方图。 
        plotfit - 绘图功能适合。 
        plotinerrcorr - 图输入错误的时间序列的互相关。 
        plotperform - 小区网络性能。 
        plotregression - 线性回归情节。 
        plotresponse - 动态网络图的时间序列响应。 
        plotroc - 绘制受试者工作特征。 
        plotsomhits - 小区自组织图来样打。 
        plotsomnc - 小区自组织映射邻居的连接。 
        plotsomnd - 小区自组织映射邻居的距离。 
        plotsomplanes - 小区自组织映射重量的飞机。 
        plotsompos - 小区自组织映射重量立场。 
        plotsomtop - 小区自组织映射的拓扑结构。 
        plottrainstate - 情节训练状态值。 
        plotwb - 图寒春重量和偏差值图。 
      
      列出其他神经网络实现的功能。 
        nnadapt - 适应职能。 
        nnderivati​​ve - 衍生功能。 
        nndistance - 距离函数。 
        nndivision - 除功能。 
        nninitlayer - 初始化层功能。 
        nninitnetwork - 初始化网络功能。 
        nninitweight - 初始化权函数。 
        nnlearn - 学习功能。 
        nnnetinput - 净输入功能。 
        nnperformance - 性能的功能。 
        nnprocess - 处理功能。 
        nnsearch - 线搜索功能。 
        nntopology - 拓扑结构的功能。 
        nntransfer - 传递函数。 
        nnweight - 重量的功能。 
     nndemos - 神经网络工具箱的示威。 
        nndatasets - 神经网络工具箱的数据集。 
        nntextdemos - 神经网络设计教科书的示威。 
        nntextbook - 神经网络设计教科书的资讯。

     

    展开全文
  • 一种改进的神经网络BP算法论文-matlab应用实例.doc 好啊 谢谢楼主 真好人啊,牛人啊
  • 神经网络BP算法

    2017-12-13 01:37:49
    通过反向传播算法训练神经网络,进行权重更新。代码采用matlab编程,含有实验数据,下载后可以直接运行。
  • MATLAB BP神经网络预测算法

    千次阅读 2019-11-24 06:22:53
    BP神经网络预测算法预测序号15的跳高成绩。 下表是国内男子跳高运动员各项素质指标 P=[3.2 3.2 3 3.2 3.2 3.4 3.2 3 3.2 3.2 3.2 3.9 3.1 3.2; 9.6 10.3 9 10.3 10.1 10 9.6 9 9.6 9.2 ...

    内容:BP神经网络是一种多层前馈网络,可以进行学习和存储输入输出映射关系,不需要建立数学方程式。

     

    BP神经网络预测算法预测序号15的跳高成绩。

    下表是国内男子跳高运动员各项素质指标

     

     

    P=[3.2 3.2 3 3.2 3.2 3.4 3.2 3 3.2 3.2 3.2 3.9 3.1 3.2;
    9.6 10.3 9 10.3 10.1 10 9.6 9 9.6 9.2 9.5 9 9.5 9.7;
    3.45 3.75 3.5 3.65 3.5 3.4 3.55 3.5 3.55 3.5 3.4 3.1 3.6 3.45;
    2.15 2.2 2.2 2.2 2 2.15 2.14 2.1 2.1 2.1 2.15 2 2.1 2.15;
    140 120 140 150 80 130 130 100 130 140 115 80 90 130;
    2.8 3.4 3.5 2.8 1.5 3.2 3.5 1.8 3.5 2.5 2.8 2.2 2.7 4.6;
    11 10.9 11.4 10.8 11.3 11.5 11.8 11.3 11.8 11 11.9 13 11.1 10.85;
    50 70 50 80 50 60 65 40 65 50 50 50 70 70];
    %输入数据,行数代表输入层神经元个数
    T=[2.24 2.33 2.24 2.32 2.2 2.27 2.2 2.26 2.2 2.24 2.24 2.2 2.2 2.35];
    [p1,minp,maxp,t1,mint,maxt]=premnmx(P,T); net=newff(minmax(P),[8,6,1],{'tansig','tansig','purelin'},'trainlm');
    %创建网络,激励函数
    net.trainParam.epochs = 5000;          %设置训练次数
    net.trainParam.goal=0.0000001;         %设置收敛误差
    [net,tr]=train(net,p1,t1);             %训练网络
    a=[3.0;9.3;3.3;2.05;100;2.8;11.2;50];  %输入数据
    a=premnmx(a);                          %将输入数据归一化
    b=sim(net,a);                          %放入到网络输出数据
    c=postmnmx(b,mint,maxt);               %将得到的数据反归一化得到预测数据
    c
    
    c=2.200
    

    序号15的跳高成绩预测为2.200

    作者:QinL

    展开全文
  • BP神经网络预测算法预测序号15的跳高成绩。下表是国内男子跳高运动员各项素质指标P=[3.2 3.2 3 3.2 3.2 3.4 3.2 3 3.2 3.2 3.2 3.9 3.1 3.2;9.6 10.3 9 10.3 10.1 10 9.6 9 9.6 9.2 9.5 9 9.5 9.7;3.4...

    BP神经网络是一种多层前馈网络,可以进行学习和存储输入输出映射关系,不需要建立数学方程式。

    BP神经网络预测算法预测序号15的跳高成绩。

    下表是国内男子跳高运动员各项素质指标

    3e623170850e40c8384f8c96cdbe5ce3.png

    P=[3.2 3.2 3 3.2 3.2 3.4 3.2 3 3.2 3.2 3.2 3.9 3.1 3.2;

    9.6 10.3 9 10.3 10.1 10 9.6 9 9.6 9.2 9.5 9 9.5 9.7;

    3.45 3.75 3.5 3.65 3.5 3.4 3.55 3.5 3.55 3.5 3.4 3.1 3.63.45;

    2.15 2.2 2.2 2.2 2 2.15 2.14 2.1 2.1 2.1 2.15 2 2.1 2.15;

    140 120 140 150 80 130 130 100 130 140 115 80 90 130;

    2.8 3.4 3.5 2.8 1.5 3.2 3.5 1.8 3.5 2.5 2.8 2.2 2.7 4.6;

    11 10.9 11.4 10.8 11.3 11.5 11.8 11.3 11.8 11 11.9 1311.1 10.85;

    50 70 50 80 50 60 65 40 65 50 50 50 70 70];

    %输入数据,行数代表输入层神经元个数

    T=[2.24 2.33 2.24 2.32 2.2 2.27 2.2 2.26 2.2 2.24 2.242.2 2.2 2.35];

    [p1,minp,maxp,t1,mint,maxt]=premnmx(P,T); net=newff(minmax(P),[8,6,1],{'tansig','tansig','purelin'},'trainlm');

    %创建网络,激励函数

    net.trainParam.epochs = 5000;          %设置训练次数

    net.trainParam.goal=0.0000001;         %设置收敛误差

    [net,tr]=train(net,p1,t1);             %训练网络

    a=[3.0;9.3;3.3;2.05;100;2.8;11.2;50];  %输入数据

    a=premnmx(a);                          %将输入数据归一化

    b=sim(net,a);                          %放入到网络输出数据

    c=postmnmx(b,mint,maxt);               %将得到的数据反归一化得到预测数据

    c

    c=2.200

    序号15的跳高成绩预测为2.200

    展开全文
  • MATLAB2015b软件上,实现BP神经网络算法算法实现较为好理解,欢迎下载参考
  • matlab神经网络算法源码。 使用matlab BP神经网络算法区分两种类型。 内含源码和测量的数据
  • 模式识别 神经网络bp算法matlab写的,对实验结果有分析
  • Matlab遗传算法优化BP神经网络程序-遗传算法优化BP神经网络程序.rar 遗传算法优化BP神经网络程序
  • BP神经网络算法matlab具体实现 https://blog.csdn.net/just_do_it_123/article/details/51284231 如何理解并实现一个简单的人脸识别算法(下):人脸识别 https://www.jianshu.com/p/8b8adf8628b7 人脸识别...

    BP神经网络算法之matlab具体实现
    https://blog.csdn.net/just_do_it_123/article/details/51284231

    如何理解并实现一个简单的人脸识别算法(下):人脸识别
    https://www.jianshu.com/p/8b8adf8628b7

    人脸识别经典算法实现(一)——特征脸法
    https://blog.csdn.net/freedom098/article/details/52088064

    人脸识别主要算法原理
    https://blog.csdn.net/amds123/article/details/72742578

    bp神经网络及matlab实现
    https://blog.csdn.net/skyxmstar/article/details/72909872

    转载于:https://www.cnblogs.com/hitWTJ/p/9865418.html

    展开全文
  • matlab实现BP神经网络,简单易于理解
  • BP神经网络算法matlab代码,包括实验报告和源代码,可直接运行
  • MATLAB BP神经网络算法

    千次阅读 2014-03-12 18:21:19
    threshold=[0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;]; net=newff(threshold,[146,1],{'tansig','logsig'},'trainscg'); net.trainParam.epochs=10000; net.trainParam.goal=0.001; net.trainParam.mc=0.9;...
  • Matlab 遗传算法优化BP神经网络

    万次阅读 多人点赞 2018-05-17 21:46:36
    最近在学遗传算法优化BP神经网络,从新浪博客,Matlab中文论坛以及《MATLAB神经网络43个案例分析》里看了许多资料, 存在着缺少test函数,以及函数名调用错误等问题。自编了test函数,调整后,供大家参考,(在...
  • 结合网络大神分享,亲自调试过的BP神经网络训练算法,基于matlab语言实现;
  • 基于遗传算法BP神经网络优化算法matlab程序,matlab可以直接运行
  • Matlab改进版的bp神经网络算法编程pso-改进版的bp神经网络算法编程(pso).rar 改进版的bp神经网络算法编程(pso),很不错的!!!
  • MATLAB源码集锦-基于遗传算法Bp神经网络优化算法代码
  • 做一个学习记录,下面确定今天要看的内容: Matlab 快速入门: https://blog.csdn.net/Jurbo/article/details/78166990... IntelliJ IDEA2017创建web工程并实现远程部署tomcat: ... 神经网络——BP算法 https://blog....
  • Matlab混合遗传算法BP神经网络算法的改进,Matlab混合遗传算法BP神经网络算法的改进
  • BP神经网络算法matlab具体实现 https://blog.csdn.net/just_do_it_123/article/details/51284231 如何理解并实现一个简单的人脸识别算法(下):人脸识别 https://www.jianshu.com/p/8b8adf8628b7 人脸识别...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 937
精华内容 374
关键字:

matlab神经网络bp算法

matlab 订阅