【智能控制实验】基于MATLAB的BP神经网络设计

实验五：基于MATLAB的BP神经网络设计

一、实验要求：

重点是掌握BP神经网络的学习算法原理和代码设计方法，应用MATLAB编写BP神经网络训练方法；应用神经网络工具箱设计BP神经网络实现对输入输出数据的模型拟合。

已知：

训练样本: 期望输入：[x1,x2]T=[1,3]T, 期望输出：[t1, t2] T =[0.95, 0.05] T

激发函数f为：。学习步长为η=1。

初始权值和阈值：

二、实验内容

2.1应用MATLAB编写BP神经网络训练方法

2.1.1 实验代码：

%输入
x = [1,3,-1];
%输出
t = [0.95,0.05];
plot(t(1),t(2),'<')
%初始权值
%第二层第一个神经元的输入权值
w_1_i_1 = [1,-2,-3]';
%第二层第二个神经元的输入权值
w_1_i_2 = [2,0,1]';
%第三层第一个神经元的输入权值
w_2_i_1 = [1,0,2]';
%第三层第二个神经元的输入权值
w_2_i_2 = [1,-2,-3]';
plot_x = [];
plot_y = [];
for i=1:1000In_2_1 = x*w_1_i_1;In_2_2 = x*w_1_i_2;o1 = 1/(1+exp(-In_2_1));o2 = 1/(1+exp(-In_2_2));In_3_1 = [o1,o2,-1]*w_2_i_1;In_3_2 = [o1,o2,-1]*w_2_i_2;y1 = 1/(1+exp(-In_3_1));y2 = 1/(1+exp(-In_3_2));plot_x = [plot_x y1];plot_y = [plot_y y2];%判断是否满足结果fprintf('第%d轮\n',i)disp('result:')disp([y1,y2])disp('target:')disp(t)if t(1)- y1 <=0.01 && y2 - t(2)<=0.01
     disp('success!')
     disp(w_1_i_1)
     disp(w_1_i_2)
     disp(w_2_i_1)
     disp(w_2_i_2)
     % 画法一
     plot(plot_x,plot_y,'b*-');
     axis([0,1,0,1]);  %设定x轴和y轴的显示范围，分别是x轴显示的最小值 最大值，y轴显示的最小值 最大值
     breakend%计算广义误差a_2_1 = (t(1)-y1)*y1*(1-y1);a_2_2 = (t(2)-y2)*y2*(1-y2);a_1_1 = (a_2_1*w_2_i_1(1)+a_2_2*w_2_i_2(1))*o1*(1-o1);a_1_2 = (a_2_1*w_2_i_1(2)+a_2_2*w_2_i_2(2))*o2*(1-o2);%更新权值yita = 1;dia_ta_w_1_i_1 = yita*a_1_1*x';dia_ta_w_1_i_2 = yita*a_1_2*x';dia_ta_w_2_i_1 = yita*a_2_1*x';dia_ta_w_2_i_2 = yita*a_2_2*x';w_1_i_1 = w_1_i_1 + dia_ta_w_1_i_1;w_1_i_2 = w_1_i_2 + dia_ta_w_1_i_2;w_2_i_1 = w_2_i_1 + dia_ta_w_2_i_1;w_2_i_2 = w_2_i_2 + dia_ta_w_2_i_2;
end

2.2 应用神经网络工具箱设计BP神经网络实现对输入输出数据的模型拟合。

2.2.1 实验代码：

x = [1,3]
t = [0.95,0.05]
plot(x(1),x(2),'*'); %绘制原始数据分布图
hold on
plot(t(1),t(2),'o');
hold on
net = newff([0,1],[2,1],{'tansig','tansig'});
net.trainParam.epochs = 100; %训练的最大次数
net.trainParam.goal = 0.005; %全局最小误差
net = train(net,x,t);
O = sim(net,x)
plot(O(1),O(2),'<');
axis([0.9,1,0,4]);

三、运行结果及分析

3.1应用MATLAB编写BP神经网络训练方法

第107轮
result:0.9448   0.0600
target:0.9500   0.0500
success!1.1556-1.5331-3.15562.26740.80220.73262.00903.02710.99100.0349-4.8953-2.0349第645轮
result:0.9500   0.0500
target:0.9500   0.0500
success!1.1627-1.5119-3.16272.27210.81630.72792.02363.07070.9764-0.0078-5.0235-1.9922

3.2 应用神经网络工具箱设计BP神经网络实现对输入输出数据的模型拟合。

>> ANN_By_newffx =1   3t =0.9500   0.0500O =0.9997   0.0597

【智能控制实验】基于MATLAB的BP神经网络设计相关推荐

【智能控制实验】基于MATLAB的BP神经网络实现非线性函数拟合设计
基于MATLAB的BP神经网络实现非线性函数拟合设计一.实验要求: 重点是掌握BP神经网络的学习算法原理,掌握matlab工具箱设计BP神经网络拟合非线性模型的方法(m文件):掌握在图形用户界面下设 ...
matlab耀输,基于 Matlab的BP神经网络在太阳耀斑级别预测中的应用
第 42卷第 3期 2014年 5月河南师范大学学报(自然科学版) Journal of Henan Normal University(Natural Science Edition) Z．42 ...
【身份证识别】基于matlab GUI BP神经网络身份证识别【含Matlab源码 2239期】
⛄一.身份证号码识别简介 1 引言当今是一个信息高度发达的时代,对于每个公民而言身份证那一连串的数字体现了个人信息的唯一性,出于保障公民合法权益和社会治安的考虑,越来越多的行业都开始建立自己的安全保 ...
【车牌识别】基于matlab GUI BP神经网络车牌识别（带面板）【含Matlab源码 790期】
⛄一.BP车牌识别简介(附课程作业报告) 车牌识别系统设计与实现车牌识别系统主要分为三部分:车牌图像预处理.特征提取以及基于BP神经网络对特征进行训练和分类,流程图如图1所示. 图1 车牌识别系统组 ...
bp神经网络matlab代码_基于Matlab的BP神经网络识别26个英文字母
一.设计思想字符识别在现代日常生活的应用越来越广泛,比如车辆牌照自动识别系统,手写识别系统,办公自动化等等.本文采用BP网络对26个英文字母进行识别.首先将待识别的26个字母中的每一个字母都通过长和 ...
【车牌识别】基于matlab GUI BP神经网络车牌识别（带面板+语音播报）【含Matlab源码 1220期】
⛄一.BP车牌识别简介(附课程作业报告) 车牌识别系统设计与实现车牌识别系统主要分为三部分:车牌图像预处理.特征提取以及基于BP神经网络对特征进行训练和分类,流程图如图1所示. 图1 车牌识别系统组 ...
基于Matlab的BP神经网络识别26个英文字母
一.设计思想字符识别在现代日常生活的应用越来越广泛,比如车辆牌照自动识别系统,手写识别系统,办公自动化等等.本文采用BP网络对26个英文字母进行识别.首先将待识别的26个字母中的每一个字母都通过长和 ...
【交通标志识别】基于matlab GUI BP神经网络交通标志识别系统（含语音报警）【含Matlab源码 2240期】
⛄一.BP神经网络交通标志识别简介道路交通标志用以禁止.警告.指示和限制道路使用者有秩序地使用道路, 保障出行安全.若能自动识别道路交通标志, 则将极大减少道路交通事故的发生.但是由于道路交通错综复 ...
基于matlab的bp神经网络,基于MATLAB的BP神经网络建模及系统仿真 (1)
文章编号:1001-9944(2001)01-0034-03 基于M AT LAB 的BP 神经网络建模及系统仿真 Ξ 侯北平,卢佩 (天津轻工业学院自动化系,天津 300222) 摘要:将M A ...

【智能控制实验】基于MATLAB的BP神经网络设计

实验五：基于MATLAB的BP神经网络设计

一、实验要求：

二、实验内容

2.1应用MATLAB编写BP神经网络训练方法

2.1.1 实验代码：

2.2 应用神经网络工具箱设计BP神经网络实现对输入输出数据的模型拟合。

2.2.1 实验代码：

三、运行结果及分析

3.1应用MATLAB编写BP神经网络训练方法

3.2 应用神经网络工具箱设计BP神经网络实现对输入输出数据的模型拟合。

【智能控制实验】基于MATLAB的BP神经网络设计相关推荐

最新文章

热门文章