一.推荐

本文不再介绍神经网络的基本概念和推到过程，博主还是会给出推荐：
1.MATLAB方面 ——(1)BP神经网络计算原理： 推荐CSDN的博主：奔跑的Yancy，网址如下：https://blog.csdn.net/lyxleft/article/details/82840787
（备注： 这篇博客中的BP推到过程中输入的正向传递，反向误差传递写的都挺好）
（2）BP公式推导方面：博主：zhiyong_will，网址：https://blog.csdn.net/google19890102/article/details/32723459
2.C语言方面——推荐博客：博主：一朝英雄拔剑起，网址：https://blog.csdn.net/qq_39545674/article/details/82495569
3.Python方面——推荐博主：liu_coding，网址：https://blog.csdn.net/net_wolf_007/article/details/52055718
（备注： 当然，也可以完全忽略以上推荐的内容，以上是博主为自己记下的几个还可以的BP方面的相关博客，方便更加全面了解）

二.正文

因为，BP神经网络方面不管还是原理还是推到过程亦或是MATLAB、C语言或是Python都已经被大量介绍过了，但是几乎很少有快速上手的指导内容，本文 （1）基于MATLAB工具箱，给出 （2）具体四步骤实现使用操作，并主要介绍 （3）设置参数的具体意义。

1.加载数据

%% 1.加载训练数据
data=xlsread('。。。。.xlsx');
exercise=[]'
tagret=data()';

2.建立BP神经网络，MATLAB中神经网络使用newff函数

%2.net = newff(minmax(p),[隐含层的神经元个数，输出层的神经元个数],{隐层神经元的传输函数TF1，输出层的传输函数TF2｝,'反向传播的训练函数')
%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';
% 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

3.网络参数的设置

这里的参数主要为以下内容：
（1）隐含层层数：一般为一层，最基础实用简单计算量少；
（2）各层神经元个数：输入层和输出层有时随着系统的确定神经元个数差不多就已确定，例如电池BMS系统，如果使用BP那么输入信号一般两个（电流和电压）或者三个（电流电压温度），输出信号一般一个（SOC数值）；另外隐含层神经元个数我推荐不要少于5个；
（3）设置训练目标误差：根据系统设置，比如输出值为0-1之间的数，精度要求预测值和实际值误差在0.01以内，那目标误差理论上只要你设置小于这个误差一个数量级以下，为了尽量改善收敛效果，加大收敛力度还是目标误差设置较小一点比较恰当，不然容易提前中断训练。
（4）显示训练结果的时间间隔步数：这个跟你输入数据的时间间隔有关，训练时间间隔是输入采样时间的整数倍即可，我推荐就等于输入数据的采样时间；
（5）训练次数设置：离线情况下，训练次数要小于输入总的采样次数（总的采样次数=总的采样时间/采样时间），但训练次数又不能太小，否者造成训练不充分，训练结果没有收敛，应该是总的采样次数的后20%区间。
（6）训练允许时间，默认值INF：这个采取默认值即可；
（7）学习率，默认值为0.01：学习率和误差反向传播修正权值的步长关系很大；
（8）动力因子，缺省为0.9：下面详细介绍；
（9）最小性能梯度：下面详细介绍。

%3网络参数的设置
net.trainparam.goal=;                   %设置训练目标误差
net.trainparam.show=;                   %显示训练结果的时间间隔步数
net.trainparam.epochs=;                 %训练次数设置
% net.trainParam.time=;                 %训练允许时间，默认值INF
% net.trainParam.Lr=;                   %学习率，默认值0.01
% net.trainParam.mc=;                   %动量因子，缺省为0.9
trainParam.min_grad=;                   %最小性能梯度[net,tr]=train(net,exercise,tagret);

4.计算仿真，一般采用sim函数

Y=sim(net,exercise);

5.进入MATLAB的工具箱界面

第一部分，即Neural Network，图形显示的是神经网络的结构图，可知有一个隐层一个输出层;

第二部分，即Algorithms，显示的是训练算法，这里为学习率自适应的梯度下降BP算法；误差指标为MSE；

第三部分，即Progress，显示训练进度：

Epoch：训练次数；在其右边显示的是最大的训练次数，可以设定，上面例子中设为300；而进度条中显示的是实际训练的次数，上面例子中实际训练次数为146次。

Time：训练时间，也就是本次训练中，使用的时间

Performance：性能指；本例子中为均方误差(mse)的最大值。精度条中显示的是当前的均方误差；进度条右边显示的是设定的均方误差(如果当前的均方误差小于设定值，则停止训练)，这个指标可以用用.trainParam.goal参数设定。

Gradiengt：梯度；进度条中显示的当前的梯度值，其右边显示的是设定的梯度值。如果当前的梯度值达到了设定值，则停止训练。

validation check为泛化能力检查（若连续6次训练误差不降反升，则强行结束训练）

第四部分，即Plots，为作图。分别点击三个按钮能看到误差变化曲线，分别用于绘制当前神经网络的性能图，训练状态和回归分析。

6.几个参数介绍

（1）动力因子： 这个参数常常没有被很好的重视，其是BP批处理训练时会陷入局部最小，也就是误差本身基本上已不变化，其返回的信号对权值调整很小，但总误差大于训练设定条件。动力因子有助于其反馈的误差信号使神经元权值重新振荡起来，一定程度上避免算法局部收敛，整体仍然发散，就结束训练结束学习过程。

参考文档

BP神经网络实用性操作（四步模板）和主要网络参数介绍相关推荐

使用pytorch构建一个神经网络、损失函数、反向传播、更新网络参数
关于torch.nn: 使用Pytorch来构建神经网络, 主要的工具都在torch.nn包中. nn依赖于autograd来定义模型, 并对其自动求导. 构建神经网络的典型流程: 定义一个拥有可学习 ...
linux编程参数列表,Linux编程 14 文件权限(用户列表passwd，用户控制shadow，useradd模板与useradd命令参数介绍)...
一. 概述 linux安全系统的核心是用户账户. 创建用户时会分配用户ID(UID). UID是唯一的,但在登录系统时不是用UID,而是用登录名.在讲文件权限之之前,先了解下linux是怎样处理用户账 ...
matlab利用训练好的BP神经网络来预测新数据（先保存网络，再使用网络）
1,保存网络. save ('net') % net为已训练好的网络,这里把他从workspace保存到工作目录,显示为net.mat文档. 2,使用网络. load ('net') % net为上面 ...
基于GA优化BP神经网络的传感器故障诊断算法matlab仿真
目录一.理论基础二.核心程序三.仿真测试结果一.理论基础 1.做优化要先明白优化的结果是什么? 使得网络参数配置最优,测试集预测误差最小--适应度函数 2.可以通过改变什么来使得网络结果不同? ...
BP神经网络预测回归MATLAB代码（代码完整可直接用，注释详细，可供学习）
BP神经网络预测回归MATLAB代码(代码完整可直接用,注释详细,可供学习) 一.前言二.代码部分 2.1 初始化 2.2 读取数据 2.3 设置训练集和测试集 2.4 数据归一化 2.5 求解最佳 ...
基于遗传算法优化的BP神经网络
文章目录 BP神经网络和遗传算法算法用途实例分析 BP神经网络 GA-BP神经网络遗传算法的步骤: GA-BP神经网络MATLAB源码实现形式(一) 实现形式(二) 实现形式(三) BP神经网 ...
bp神经网络算法的优缺点,bp神经网络与bp算法区别
前馈神经网络.BP神经网络.卷积神经网络的区别与联系一.计算方法不同1.前馈神经网络:一种最简单的神经网络,各神经元分层排列.每个神经元只与前一层的神经元相连.接收前一层的输出,并输出给下一层．各层 ...
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 ...
bp神经网络应用实例_预测方法合集——BP神经网络
首先来说说神经网络,生物的大脑神经元,细胞,触点等组成了网络,用于产生生物的意识,帮助生物进行思考和行动,可以干很多很多事情的,虽然说现在科技迅猛进步,但是目前来讲人脑依旧是最发达的,有的这些科学家啊 ...

BP神经网络实用性操作（四步模板）和主要网络参数介绍