bp神经网络的基本原理和组成

bp神经网络的基本原理和组成：
神经网络的基本代码如下：具体的过程也比较简单为此在这里也就不多多赘述

%% 此程序matlab编程实现的BP神经网络
% 清空环境变量
clear all
clc%%第一步 读取数据
input=randi([1 20],2,200);  %载入输入数据是1-20的2行200列数据，随机数
output=input(1,:)'+input(2,:)';  %载入输出数据，输出的数据是200行1列的数据，其结果是1行1列的的数据加上
% 第2行1列的输出的叠加，为两输入一输出%% 第二步 设置训练数据和预测数据
input_train = input(:,1:190);%输入的数据是2行190列的数据
output_train =output(1:190,:)';%输出的数据是190行1列的数据
input_test = input(:,191:200);%测试的数据为2行191-200列的数据
output_test =output(191:200,:)';%输出的数据为191-200列的数据%节点个数
%inputnum=2;%输入的节点个数
hiddennum=5;%隐含层节点数量经验公式p=sqrt(m+n)+a ，故分别取2~13进行试验
%outputnum=1;%输出的节点个数%% 第三步 训练样本数据归一化
[inputn,inputps]=mapminmax(input_train);%归一化到[-1,1]之间，inputps用来作下一次同样的归一化
%归一化的原因是减少计算量和预测误差，由于在计算时，将输入是、输出的数据归一化了
%为此在结束时，需要将预测结果反归一化
[outputn,outputps]=mapminmax(output_train);
%% 第四步 构建BP神经网络net=newff(inputn,outputn,hiddennum,{'tansig','purelin'},'trainlm');
% 建立模型，传递函数使用purelin，采用梯度下降法训练%W1= net. iw{1, 1};%输入层到中间层的权值
%B1 = net.b{1};%中间各层神经元阈值%W2 = net.lw{2,1};%中间层到输出层的权值
%B2 = net. b{2};%输出层各神经元阈值
%可以通过上述代码查看权值和阈值
%% 第五步 网络参数配置（ 训练次数，学习速率，训练目标最小误差等）
net.trainParam.epochs=1000;         % 训练次数，这里设置为1000次
net.trainParam.lr=0.01;             % 学习速率，这里设置为0.01
net.trainParam.goal=0.00001;        % 训练目标最小误差，这里设置为0.00001%% 第六步 BP神经网络训练
net=train(net,inputn,outputn);%开始训练，其中inputn,outputn分别为输入输出样本%% 第七步 测试样本归一化，测试的数据归一化
inputn_test=mapminmax('apply',input_test,inputps);% 对样本数据进行归一化%% 第八步 BP神经网络预测
an=sim(net,inputn_test); %用训练好的模型进行仿真%% 第九步 预测结果反归一化与误差计算
test_simu=mapminmax('reverse',an,outputps); %把仿真得到的数据还原为原始的数量级
error=test_simu-output_test;      %预测值和真实值的误差%%第十步 真实值与预测值误差比较
figure(1)
plot(output_test,'bo-')
hold on
plot(test_simu,'r*-')
hold on
plot(error,'square','MarkerFaceColor','b')
legend('期望值','预测值','误差')
xlabel('数据组数')
ylabel('值')
[c,l]=size(output_test);
MAE1=sum(abs(error))/l;
MSE1=error*error'/l;
RMSE1=MSE1^(1/2);
disp(['-----------------------误差计算--------------------------']);
disp(['隐含层节点数为: ',num2str(hiddennum),'时的误差结果如下：'])
disp(['平均绝对误差MAE为：',num2str(MAE1)])
disp(['均方误差MSE为: ',num2str(MSE1)])
disp(['均方根误差RMSE为: ',num2str(RMSE1)])

app设计的基本思路

app设计的基本思路：
接下来解释app的设计：其中主要的思想是通过，自定义隐含层、训练次数、学习速率、最小误差参数，然后按下计算按钮就可以生成结果图、以及误差统计数据。（也可以自己选择一些参数在这里仅使用这些参数作为自定义参数）

app设计及其代码实现

1.基本界面如下：

2.代码的实现：
下面展示一些 内联代码片。

// A code block
var foo = 'bar';

%%%%%计算按钮的回调函数代码如下：input_data=xlsread('input_data.xlsx');%读取表格中的数据，输入值output_data=xlsread('output_data.xlsx');%读取表格中的数据，输出值（此时的表格中的数据需要放app运行的文件目录下才能读取）%%第一步 读取数据input_train = input_data(:,1:190);%输入的数据是2行190列的数据output_train =output_data(1:190,:)';%输出的数据是190行1列的数据input_test = input_data(:,191:200);%测试的数据为2行191-200列的数据output_test =output_data(191:200,:)';%输出的数据为191-200列的数据%节点个数%inputnum=app.input.Value;%输入的节点个数
%%%%自定义隐含层数，并赋值给hiddennumhiddennum=app.middle.Value;%隐含层节点数量经验公式p=sqrt(m+n)+a ，故分别取2~13进行试验，代码的含义是通过%outputnum=app.output.Value;%输出的节点个数%% 第三步 训练样本数据归一化[inputn,inputps]=mapminmax(input_train);%归一化到[-1,1]之间，inputps用来作下一次同样的归一化%归一化的原因是减少计算量和预测误差，由于在计算时，将输入是、输出的数据归一化了%为此在结束时，需要将预测结果反归一化[outputn,outputps]=mapminmax(output_train);%% 第四步 构建BP神经网络net=newff(inputn,outputn,hiddennum,{'tansig','purelin'},'trainlm');% 建立模型，传递函数使用purelin，采用梯度下降法训练%W1= net. iw{1, 1};%输入层到中间层的权值%B1 = net.b{1};%中间各层神经元阈值%W2 = net.lw{2,1};%中间层到输出层的权值%B2 = net. b{2};%输出层各神经元阈值%% 第五步 网络参数配置（ 训练次数，学习速率，训练目标最小误差等）
%%%%%自定义训练次数赋值给net.trainParam.epochs            net.trainParam.epochs=app.epochs.Value;         % 训练次数，这里设置为1000次
%%%%%自定义学习速率赋值给 net.trainParam.lr            net.trainParam.lr=app.lr.Value;             % 学习速率，这里设置为0.01
%%%%%自定义训练目标最小误差赋值给net.trainParam.goal            net.trainParam.goal=app.goal.Value;        % 训练目标最小误差，这里设置为0.00001%% 第六步 BP神经网络训练net=train(net,inputn,outputn);%开始训练，其中inputn,outputn分别为输入输出样本%% 第七步 测试样本归一化，测试的数据归一化inputn_test=mapminmax('apply',input_test,inputps);% 对样本数据进行归一化%% 第八步 BP神经网络预测an=sim(net,inputn_test); %用训练好的模型进行仿真%% 第九步 预测结果反归一化与误差计算test_simu=mapminmax('reverse',an,outputps); %把仿真得到的数据还原为原始的数量级error_num=test_simu-output_test;      %预测值和真实值的误差%%第十步 真实值与预测值误差比较
%%%%%绘制图形在app.UIAxes图形显示控件上plot(app.UIAxes,output_test,'bo-');hold (app.UIAxes,'on');plot(app.UIAxes,test_simu,'r*-');hold (app.UIAxes,'on');plot(app.UIAxes,error_num,'square','MarkerFaceColor','b');legend(app.UIAxes,'期望值','预测值','误差');[c,l]=size(output_test);RMSE=sum(abs(error_num))/l;MSE1=error_num*error_num'/l;RMSE1=MSE1^(1/2);rmse=string(RMSE);mse1=string(MSE1);rmse1=string(RMSE1);
%%%%%计算的统计值分别显示在三个文本中（需要强制转换成字符类型）如果使用数值直接赋值即可        app.EditField.Value=rmse;app.EditField_2.Value=mse1;app.EditField_3.Value=rmse1;

组件名如下：

3.运算结果：

基本的appdesigner，在我的上一篇博客里，如果有什么疑问的话也可以以留言。

BP神经网络及其app设计相关推荐

鲸鱼优化算法优化BP神经网络回归预测的算法设计-附代码
鲸鱼优化算法WOA优化BP神经网络回归预测模型以及MATLAB代码实现文章目录鲸鱼优化算法WOA优化BP神经网络回归预测模型以及MATLAB代码实现 1. 算法描述 2. 鲸鱼优化算法优化BP神经 ...
一文看懂BP神经网络的基础数学知识
看懂本文需要的基础知识有: 能够理解最基本的最优化问题(例如最小二乘法优化) 学习过高数和线性代数,对数学符号有概念一定的编程基础最好明白感知器的概念神经网络的基本知识 1.0 历史与发展线性 ...
【语音识别】基于BP神经网络0到10数字语音识别含Matlab源码
1 简介语音识别技术具有重要的理论价值和广阔的应用前景,近年来受到了人们的广泛重视.随着电子计算机的不断应用与发展以及人工智能的不断进步与完善,人们越来越希望让机器能够理解人类的自然语言,这种需求使 ...
C++毕业设计——基于VC+++BP神经网络+车牌识别的车牌定位和识别系统设计与实现（毕业论文+程序源码）——车牌定位和识别系统
基于VC+++BP神经网络+车牌识别的车牌定位和识别系统设计与实现(毕业论文+程序源码) 大家好,今天给大家介绍基于VC+++BP神经网络+车牌识别的车牌定位和识别系统设计与实现,文章末尾附有本毕业设 ...
matlab神经网络的简单程序设计,BP神经网络设计的matlab简单实现
例1 采用动量梯度下降算法训练 BP 网络.用matlab自带的神经网络训练样本定义如下: 输入矢量为 p =[-1 -2 3 1 -1 1 5 -3] 目标矢量为 t = [-1 -1 1 ...
matlab 神经网络设计多层隐含层_数据预测之BP神经网络具体应用以及matlab代码
1.具体应用实例.根据表2,预测序号15的跳高成绩. 表2 国内男子跳高运动员各项素质指标序号跳高成绩() 30行进跑(s) 立定三级跳远() 助跑摸高() 助跑4-6步跳高() 负重深蹲杠铃() ...
BP神经网络设计与实现
BP神经网络设计与实现实验要求基于Python原生实现,不调用深度学习框架函数,完成代码编写实验内容 1.详细论述本次实验的算法设计及描述. 2.双月数据构建生成及使用方法. 3.根据误差反向传 ...
模式识别八--三层BP神经网络的设计与实现
文章转自:http://www.kancloud.cn/digest/prandmethod/102850 本文的目的是学习和掌握BP神经网络的原理及其学习算法.在MATLAB平台上编程构造一个3-3 ...
模式识别：三层BP神经网络的设计与实现
本文的目的是学习和掌握BP神经网络的原理及其学习算法.在MATLAB平台上编程构造一个3-3-1型的singmoid人工神经网络,并使用随机反向传播算法和成批反向传播算法来训练这个网络,这里设置不同的 ...
基于bp神经网络的pid算法,神经网络pid控制器设计
基于BP神经网络的PID控制器设计参考一下刘金琨的<先进PID控制>这本书. 例子:被控对象yout(k)=a(k)yout(k-1)/(1+yout(k-1)^2)+u(k_1)其中a ...

BP神经网络及其app设计

BP神经网络及其app设计

bp神经网络的基本原理和组成

app设计的基本思路

app设计及其代码实现

BP神经网络及其app设计相关推荐

最新文章

热门文章