
clear all;
close all ;
%================原始数据====================
x1 = linspace(-3,3,100);                                                  % 在[-3，3]之间线性生成100个数据
x2 = linspace(-2,1.5,100);                                                % 在[-2，1.5]之间线性生成100个数据
X  = [x1;x2];                                                             % 将x1,x2作为输入数据
y1 = 10*sin(x1)+0.2*x2.*x2;                                               % 生成y1
y2 = 10*sin(x2)+0.2*x1.*x1;                                               % 生成y2
y  = [y1;y2];                                                             % y里包含两个输出y1,y2
setdemorandstream(88);                                                    % 老饼为了每次运行的结果一致设定随机种子，实际中可以去掉
%==============网络训练 ============================
%使用用输入输出数据（X,y）建立网络，
%隐节点个数设为3.其中输入层到隐层、隐层到输出层的节点分别为tansig和purelin，使用trainlm方法训练。
net = newff(X,y,3,{'tansig','purelin'},'trainlm');
%设置一些常用关键参数
net.trainparam.goal        = 0.00001;                                     % 训练目标：均方误差低于0.0001
net.trainparam.show        = 400;                                         % 每训练400次展示一次结果
net.trainparam.epochs      = 15000;                                       % 最大训练次数：15000.
net.divideParam.trainRatio = 0.7;                                         % 用于训练的数据比例
net.divideParam.valRatio   = 0.15 ;                                       % 用于验证过拟合的数据比例
net.divideParam.testRatio  = 0.15;                                        % 用于比例
net.trainparam.max_fail    = 6;                                           % 过拟合验证失败次数
 
[net,tr,net_y] = train(net,X,y);  % 调用matlab神经网络工具箱自带的train函数训练网络y，net返回
 
% ===========网络效果评估==================================
% 提取训练数据与测试数据                                                
train_net_y = net_y(:,tr.trainInd);                                       % 训练数据的预测值
test_net_y  = net_y(:,tr.testInd);                                        % 测试数据的预测值
train_y     = y(:,tr.trainInd);                                           % 训练数据的真实值
test_y      = y(:,tr.testInd);                                            % 测试数据的真实值
 
% 计算误差                                                              
train_err      = mean(abs(train_net_y(:)-train_y(:)))                     % 训练数据的误差
test_err       = mean(abs(test_net_y(:)-test_y(:)))                       % 测试数据的误差
train_err_rate = mean(abs((train_net_y(:)-train_y(:))./train_y(:)))       % 训练数据的误差比
test_err_rate  = mean(abs((test_net_y(:)-test_y(:))./test_y(:)))          % 测试数据的误差比
 
% 绘制拟合曲线图
figure
[out_size,sample_num] = size(y);  % 输出的个数,样本个数
for i = 1 : out_size
    % 绘制训练数据第i个输出的拟合效果
    subplot(out_size,2,(i-1)*2+1);
    title(['训练数据-第',num2str(i),'个输出的拟合效果'])
    hold on 
    plot(1:size(train_y,2),train_y(i,:),'b')
    plot(1:size(train_net_y,2),train_net_y(i,:),'r')
    % 绘制测试数据第i个输出的拟合效果
    subplot(out_size,2,(i-1)*2+2);
    title(['测试数据-第',num2str(i),'个输出的拟合效果'])
    hold on 
    plot(1:size(test_y,2),test_y(i,:),'b')
    plot(1:size(test_net_y,2),test_net_y(i,:),'r')
end

%=============网络对新输入的使用==========================
sim_y = sim(net,X); % 实际与上面的net_y一致
以上就是一个完整的matlab实现BP神经网络Demo代码了
使用时主要修改的有方法

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/小惠珠哦/article/detail/739001