MATLAB实现简单的BP神经网络_bp神经网络代码分析matlab

训练集为train_data，测试集为test_data，本文所实现的简单BP神经网络结构输入层8个节点，隐藏层15个节点，输出层9个节点。该BP神经网络训练轮次为10000轮，学习率为0.001,目标误差设置为0.00001，这些参数可以根据具体的问题和数据集进行调整。

训练集数据结构如下图所示：

测试机数据结构如下图所示：

matlab实现该BP神经网络的代码如下:

b=train_data;
row=randperm(size(b,2));
trainn=b(:,row);
test=test_data;
inputtrain=trainn(1:2,:);
outputtrain=trainn(3,:);
inputtest=test(1:2,:);
outputtest=test(3,:);
 
net=newff(inputtrain,outputtrain,[8,15,9]);
 
net.trainParam.epochs=10000;
net.trainParam.lr=0.001;
net.trainParam.goal=0.00001;
 
net=train(net,inputtrain,outputtrain);
 
f=sim(net,inputtest);
err=f-outputtest;
 
figure(1)
plot(outputtest,"bo-")
hold on
plot(f,"r*-")
hold on
legend("期望"," 预测")
xlabel("数据"),ylabel("值"),title("BP神经网络误差对比")
 

1.row=randperm(size(b,2));：生成一个随机排列的行索引，并将结果存储在变量 row 中。size(b,2) 返回 b 矩阵的列数，即数据样本的数量。

2.trainn=b(:,row);：根据随机排列的行索引，重新排序矩阵 b 的行，并将结果存储在变量 trainn 中。这样可以随机打乱训练数据的顺序。

3.inputtrain=trainn(1:2,:);：从打乱顺序后的 trainn 矩阵中提取前两行作为训练数据的输入特征，将结果存储在变量 inputtrain 中。

4.outputtrain=trainn(3,:);：从打乱顺序后的 trainn 矩阵中提取第三行作为训练数据的输出标签，将结果存储在变量 outputtrain 中。

5.inputtest=test(1:2,:);：从 test 矩阵中提取前两行作为测试数据的输入特征，将结果存储在变量 inputtest 中。

6.outputtest=test(3,:);：从 test 矩阵中提取第三行作为测试数据的输出标签，将结果存储在变量 outputtest 中。

7.net=newff(inputtrain,outputtrain,[8,15,9]);：创建一个 BP 神经网络模型并将其存储在变量 net 中。inputtrain 是输入特征，outputtrain 是输出标签，[8,15,9] 是一个向量，表示神经网络的层结构，其中 [8,15,9] 表示输入层有 8 个节点，隐藏层有 15 个节点，输出层有 9 个节点。

8.net.trainParam.epochs=10000;：设置神经网络的训练参数 epochs 为 10000，表示训练的轮数（迭代次数）。

9.net.trainParam.lr=0.001;：设置神经网络的学习率为 0.001，控制权重更新的步长。

10.net.trainParam.goal=0.00001;：设置神经网络的目标误差为 0.00001，当训练误差达到该值时，训练过程将停止。

11.net=train(net,inputtrain,outputtrain);：使用训练数据 inputtrain 和 outputtrain 对神经网络进行训练，并将训练后的网络模型保存在变量 net 中。

12.f=sim(net,inputtest);：使用训练好的神经网络模型 net 对测试数据 inputtest 进行预测，将预测结果存储在变量 f 中。

13.err=f-outputtest;：计算预测结果 f 与真实输出标签 outputtest 之间的误差，将误差存储在变量 err 中

针对本文所使用数据集,其实验结果如下:

从实验结果可以看出,该BP神经网络对于该数据集具有较为良好的性能。