BP神經(jīng)網(wǎng)絡的matlab實現(xiàn)學習歷程.doc

考拉BP神經(jīng)網(wǎng)絡的matlab實現(xiàn)學習歷程（一） 考拉BP神經(jīng)網(wǎng)絡的matlab實現(xiàn)學習歷程（一）本文考拉BP神經(jīng)網(wǎng)絡的matlab實現(xiàn)學習歷程系列由論壇超級版主akjuan整理和原創(chuàng)，我們在此表示特別感謝這兩天在學習bp，總結和匯報一下，和大家一起學習。希望初入神經(jīng)網(wǎng)絡能有所收獲，給新手一些幫組和啟發(fā)。也希望熟悉bp的高手，多提寶貴意見和建議。 學習內(nèi)容總結成五個小節(jié)，具體內(nèi)容如下：第一節(jié)內(nèi)容：包括神經(jīng)網(wǎng)絡的基礎知識，BP網(wǎng)絡的特點，bp主要應用的場合，使用時應注意的問題。第二節(jié)內(nèi)容：主要是闡述BP中幾個容易混繞的概念和問題，包括什么是網(wǎng)絡的泛化能力？過擬合是什么，怎么處理？學習速率有什么作用？神經(jīng)網(wǎng)絡的權值和閾值分別是個什么概念？用BP逼近非線性函數(shù)，如何提高訓練精度？第三節(jié)內(nèi)容：主要闡述使用matlab實現(xiàn)，為了充分利用數(shù)據(jù)，得到最優(yōu)的網(wǎng)絡訓練結果，在網(wǎng)絡建立前，應該進行的基本數(shù)據(jù)處理問題，包括：BP神經(jīng)網(wǎng)絡matlab實現(xiàn)的基本步驟，數(shù)據(jù)歸一化問題和方法，輸入訓練數(shù)據(jù)的亂序排法，以及分類方法，如何查看和保存訓練的結果，每次結果不一樣問題。第四節(jié)內(nèi)容：bp神經(jīng)網(wǎng)絡進行交通預測的Matlab例子及源代碼，bp神經(jīng)網(wǎng)絡進行交通預測的Matlab程序的優(yōu)化（主要是按設置誤差要求，尋找最優(yōu)網(wǎng)絡過程）第五節(jié)內(nèi)容：bp神經(jīng)網(wǎng)絡處理蠓蟲分類問題的matlab例子及源代碼。不多說，先如主題，第一節(jié)，很基礎，高手見諒。什么是神經(jīng)網(wǎng)絡？神經(jīng)網(wǎng)絡是由很多神經(jīng)元組成的，首先我們看一下，什么是神經(jīng)元上面這個圖表示的就是一個神經(jīng)元，我們不管其它書上說的那些什么樹突，軸突的。我用個比較粗淺的解釋，可能不太全面科學，但對初學者很容易理解：1、我們把輸入信號看成你在matlab中需要輸入的數(shù)據(jù)，輸進去神經(jīng)網(wǎng)絡后2、這些數(shù)據(jù)的每一個都會被乘個數(shù)，即權值w，然后這些東東與閥值b相加后求和得到u，3、上面只是線性變化，為了達到能處理非線性的目的，u做了個變換，變換的規(guī)則和傳輸函數(shù)有關可能還有人問，那么那個閥值是什么呢？簡單理解就是讓這些數(shù)據(jù)做了個平移，這就是神經(jīng)元工作的過程。處理后的結果又作為輸入，可輸給別的神經(jīng)元，很多這樣的神經(jīng)元，就組成了網(wǎng)絡。在matlab中具體用什么算法實現(xiàn)這些，我們先不管，我們需要注意的是怎么使用。比如使用BP的神經(jīng)網(wǎng)絡newff()構建一個網(wǎng)絡，這些在后面的學習將提到。BP網(wǎng)絡的特點網(wǎng)絡實質(zhì)上實現(xiàn)了一個從輸入到輸出的映射功能，而數(shù)學理論已證明它具有實現(xiàn)任何復雜非線性映射的功能。這使得它特別適合于求解內(nèi)部機制復雜的問題。我們無需建立模型，或了解其內(nèi)部過程，只需輸入，獲得輸出。只要BPNN結構優(yōu)秀，一般20個輸入函數(shù)以下的問題都能在50000次的學習以內(nèi)收斂到最低誤差附近。而且理論上，一個三層的神經(jīng)網(wǎng)絡，能夠以任意精度逼近給定的函數(shù)，這是非常誘人的期望；網(wǎng)絡能通過學習帶正確答案的實例集自動提取“合理的”求解規(guī)則，即具有自學習能力；網(wǎng)絡具有一定的推廣、概括能力。bp主要應用回歸預測（可以進行擬合，數(shù)據(jù)處理分析，事物預測，控制等）、 分類識別（進行類型劃分，模式識別等），在后面的學習中，我都將給出實例程序。但無論那種網(wǎng)絡，什么方法，解決問題的精確度都無法打到100%的，但并不影響其使用，因為現(xiàn)實中很多復雜的問題，精確的解釋是毫無意義的，有意義的解析必定會損失精度。BP注意問題1、BP算法的學習速度很慢，其原因主要有：a 由于BP算法本質(zhì)上為梯度下降法，而它所要優(yōu)化的目標函數(shù)又非常復雜，因此，必然會出現(xiàn)“鋸齒形現(xiàn)象”，這使得BP算法低效；b 存在麻痹現(xiàn)象，由于優(yōu)化的目標函數(shù)很復雜，它必然會在神經(jīng)元輸出接近0或1的情況下，出現(xiàn)一些平坦區(qū)，在這些區(qū)域內(nèi)，權值誤差改變很小，使訓練過程幾乎停頓；c 為了使網(wǎng)絡執(zhí)行BP算法，不能用傳統(tǒng)的一維搜索法求每次迭代的步長，而必須把步長的更新規(guī)則預先賦予網(wǎng)絡，這種方法將引起算法低效。2、網(wǎng)絡訓練失敗的可能性較大，其原因有：a 從數(shù)學角度看，BP算法為一種局部搜索的優(yōu)化方法，但它要解決的問題為求解復雜非線性函數(shù)的全局極值，因此，算法很有可能陷入局部極值，使訓練失敗；b 網(wǎng)絡的逼近、推廣能力同學習樣本的典型性密切相關，而從問題中選取典型樣本實例組成訓練集是一個很困難的問題。3、網(wǎng)絡結構的選擇：尚無一種統(tǒng)一而完整的理論指導，一般只能由經(jīng)驗選定。為此，有人稱神經(jīng)網(wǎng)絡的結構選擇為一種藝術。而網(wǎng)絡的結構直接影響網(wǎng)絡的逼近能力及推廣性質(zhì)。因此，應用中如何選擇合適的網(wǎng)絡結構是一個重要的問題。4、新加入的樣本要影響已學習成功的網(wǎng)絡，而且刻畫每個輸入樣本的特征的數(shù)目也必須相同。5、采用s型激活函數(shù)，由于輸出層各神經(jīng)元的理想輸出值只能接近于1或0，而不能打到1或0，因此設置各訓練樣本的期望輸出分量Tkp時，不能設置為1或0，設置0.9或0.1較為適宜?？祭瑽P神經(jīng)網(wǎng)絡的matlab實現(xiàn)學習歷程（二）本文考拉BP神經(jīng)網(wǎng)絡的matlab實現(xiàn)學習歷程系列由論壇超級版主akjuan整理和原創(chuàng)，我們在此表示特別感謝本節(jié)主要學習BP中幾個容易混繞的概念和問題：什么是網(wǎng)絡的泛化能力？過擬合是什么，怎么處理？學習速率有什么作用？神經(jīng)網(wǎng)絡的權值和閾值分別是個什么概念？用BP逼近非線性函數(shù)，如何提高訓練精度？什么是網(wǎng)絡的泛化能力？一個神經(jīng)網(wǎng)路是否優(yōu)良，與傳統(tǒng)最小二乘之類的擬合評價不同（主要依據(jù)殘差，擬合優(yōu)度等），不是體現(xiàn)在其對已有的數(shù)據(jù)擬合能力上，而是對后來的預測能力，既泛化能力。網(wǎng)絡的預測能力（也稱泛化能力、推廣能力）與訓練能力（也稱逼近能力、學習能力）的矛盾。一般情況下，訓練能力差時，預測能力也差，并且一定程度上，隨訓練能力地提高，預測能力也提高。但這種趨勢有一個極限，當達到此極限時，隨訓練能力的提高，預測能力反而下降，即出現(xiàn)所謂“過擬合”現(xiàn)象。此時，網(wǎng)絡學習了過多的樣本細節(jié)，而不能反映樣本內(nèi)含的規(guī)律。過擬合是什么，怎么處理？神經(jīng)網(wǎng)絡計算不能一味地追求訓練誤差最小，這樣很容易出現(xiàn)“過擬合”現(xiàn)象，只要能夠?qū)崟r檢測誤差率的變化就可以確定最佳的訓練次數(shù)，比如15000次左右的學習次數(shù)，如果你不觀察，設成500000次學習，不僅需要很長時間來跑，而且最后結果肯定令人大失所望。避免過擬合的一種方法是：在數(shù)據(jù)輸入中，給訓練的數(shù)據(jù)分類，分為正常訓練用、變量數(shù)據(jù)、測試數(shù)據(jù)，在后面節(jié)將講到如何進行這種分類。其中變量數(shù)據(jù)，在網(wǎng)絡訓練中，起到的作用就是防止過擬合狀態(tài)。學習速率有什么作用？學習速率這個參數(shù)可以控制能量函數(shù)的步幅，并且如果設為自動調(diào)整的話，可以在誤差率經(jīng)過快速下降后，將學習速率變慢，從而增加BPNN的穩(wěn)定性。此時訓練方法采用復制內(nèi)容到剪貼板 代碼:DEnet.trainFcn = traingda; % 變學習率梯度下降算法net.trainFcn = traingdx; % 變學習率動量梯度下降算法DE可以定義一個變動的學習速率，如復制內(nèi)容到剪貼板 代碼:DEp = -1 -1 2 2; 0 5 0 5;t = -1 -1 1 1;net = newff(p,t,3,traingda);net.trainParam.lr = 0.05;net.trainParam.lr_inc = 1.05;net = train(net,p,t);y = sim(net,p)DE在后面的擬合例題中，我們也將用到學習速率這個參數(shù)。神經(jīng)網(wǎng)絡的權值和閾值分別是個什么概念？第一節(jié)中，我們已經(jīng)談到了權值和閥值的概念。這里我們更深入的說明一下，因為他們很重要，關系到網(wǎng)絡最后的結果。權值和閾值是神經(jīng)元之間的連接，將數(shù)據(jù)輸入計算出一個輸出，然后與實際輸出比較，誤差反傳，不斷調(diào)整權值和閾值。假如下面兩個點屬于不同的類，須設計分類器將他們分開引用:p1=1 1 -1;p2=1 -1 -1;這里用單層神經(jīng)元感知器，假設初始權值復制內(nèi)容到剪貼板 代碼:DEw=0.2 0.2 0.3DE同時假設初始閥值復制內(nèi)容到剪貼板 代碼:DEb=-0.3DE輸出 a1 a2復制內(nèi)容到剪貼板 代碼:DEa1=hardlims(w*p1+b)a2=hardlims(w*p2+b)DE如果不能分開，還須不斷調(diào)整w,b用BP逼近非線性函數(shù)，如何提高訓練精度(1)調(diào)整網(wǎng)絡結構增加網(wǎng)絡的層數(shù)可以進一步降低誤差，提高精度但會使網(wǎng)絡復雜化，從而增加網(wǎng)絡的訓練時間。精度的提高實際上也可以通過增加隱層神經(jīng)元的數(shù)目來獲得，其效果更容易觀察和掌握，所以應優(yōu)先考慮。(2)初始值選取為了使誤差盡可能小 ，需要合理選擇初始權重和偏置，如果太大就容易陷入飽和區(qū)，導致停頓 。一般應選為均勻分布的小數(shù)，介于 (-1，1) 。(3)學習速率調(diào)整學習速率的選取很重要 ，大了可能導致系統(tǒng)不穩(wěn)定，小了會導致訓練周期過長、收斂慢，達不到要求的誤差。一般傾向于選取較小的學習速率以保持系統(tǒng)穩(wěn)定，通過觀察誤差下降曲線來判斷。下降較快說明學習率比較合適，若有較大振蕩則說明學習率偏大。同時，由于網(wǎng)絡規(guī)模大小的不同，學習率選擇應當針對其進行調(diào)整。采用變學習速率的方案，令學習速率隨學習進展而逐步減少，可收到良好的效果。(4)期望誤差期望誤差當然希望越小越好，但是也要有合適值?？祭瑽P神經(jīng)網(wǎng)絡的matlab實現(xiàn)學習歷程（三）本文考拉BP神經(jīng)網(wǎng)絡的matlab實現(xiàn)學習歷程系列由論壇超級版主akjuan整理和原創(chuàng)，我們在此表示特別感謝本節(jié)主要學習使用matlab實現(xiàn)bp算法的一般步驟和過程。為了充分利用數(shù)據(jù)，得到最優(yōu)的網(wǎng)絡訓練結果，在網(wǎng)絡建立前應該進行的基本數(shù)據(jù)處理問題，包括：(1)BP神經(jīng)網(wǎng)絡matlab實現(xiàn)的基本步驟(2)數(shù)據(jù)歸一化問題和方法(3)輸入訓練數(shù)據(jù)的亂序排法，以及分類方法(4)如何查看和保存訓練的結果(5)每次結果不一樣問題。用matlab實現(xiàn)bp，其實很簡單，按下面步驟基本可以了BP神經(jīng)網(wǎng)絡matlab實現(xiàn)的基本步驟1、數(shù)據(jù)歸一化2、數(shù)據(jù)分類，主要包括打亂數(shù)據(jù)順序，抽取正常訓練用數(shù)據(jù)、變量數(shù)據(jù)、測試數(shù)據(jù)3、建立神經(jīng)網(wǎng)絡，包括設置多少層網(wǎng)絡（一般3層以內(nèi)既可以，每層的節(jié)點數(shù)（具體節(jié)點數(shù)，尚無科學的模型和公式方法確定，可采用試湊法，但輸出層的節(jié)點數(shù)應和需要輸出的量個數(shù)相等），設置隱含層的傳輸函數(shù)等。關于網(wǎng)絡具體建立使用方法，在后幾節(jié)的例子中將會說到。4、指定訓練參數(shù)進行訓練，這步非常重要，在例子中，將詳細進行說明5、完成訓練后，就可以調(diào)用訓練結果，輸入測試數(shù)據(jù)，進行測試6、數(shù)據(jù)進行反歸一化7、誤差分析、結果預測或分類，作圖等數(shù)據(jù)歸一化問題歸一化的意義：首先說一下，在工程應用領域中，應用BP網(wǎng)絡的好壞最關鍵的仍然是輸入特征選擇和訓練樣本集的準備，若樣本集代表性差、矛盾樣本多、數(shù)據(jù)歸一化存在問題，那么，使用多復雜的綜合算法、多精致的網(wǎng)絡結構，建立起來的模型預測效果不會多好。若想取得實際有價值的應用效果，從最基礎的數(shù)據(jù)整理工作做起吧，會少走彎路的。歸一化是為了加快訓練網(wǎng)絡的收斂性，具體做法是：1 把數(shù)變?yōu)椋?，1）之間的小數(shù)主要是為了數(shù)據(jù)處理方便提出來的，把數(shù)據(jù)映射到01范圍之內(nèi)處理，更加便捷快速，應該歸到數(shù)字信號處理范疇之內(nèi)。2 把有量綱表達式變?yōu)闊o量綱表達式歸一化是一種簡化計算的方式，即將有量綱的表達式，經(jīng)過變換，化為無量綱的表達式，成為純量比如，復數(shù)阻抗可以歸一化書寫：Z = R + jL = R(1 + jL/R) ，復數(shù)部分變成了純數(shù)量了，沒有量綱。另外，微波之中也就是電路分析、信號系統(tǒng)、電磁波傳輸?shù)?，有很多運算都可以如此處理，既保證了運算的便捷，又能凸現(xiàn)出物理量的本質(zhì)含義。神經(jīng)網(wǎng)絡歸一化方法：由于采集的各數(shù)據(jù)單位不一致，因而須對數(shù)據(jù)進行-1,1歸一化處理，歸一化方法主要有如下幾種，供大家參考：1、線性函數(shù)轉(zhuǎn)換，表達式如下：復制內(nèi)容到剪貼板 代碼:DEy=(x-MinValue)/(MaxValue-MinValue)DE說明：x、y分別為轉(zhuǎn)換前、后的值，MaxValue、MinValue分別為樣本的最大值和最小值。2、對數(shù)函數(shù)轉(zhuǎn)換，表達式如下：復制內(nèi)容到剪貼板 代碼:DEy=log10(x)DE說明：以10為底的對數(shù)函數(shù)轉(zhuǎn)換。3、反余切函數(shù)轉(zhuǎn)換，表達式如下：復制內(nèi)容到剪貼板 代碼:DEy=atan(x)*2/PIDEmatlab中歸一化的實現(xiàn)：matlab中的歸一化處理有五種方法，只會其中一種就可以了，我喜歡用第4種，因為習慣和方便注意：第一組和第二組歸一化函數(shù)在Matlab7.0以上已遺棄，他們的用法相似，pre*是歸一化，post*是反歸一化，tram*是使用同樣的設置歸一化另外一組數(shù)據(jù)1. 內(nèi)部函數(shù)premnmx、postmnmx、tramnmx，將數(shù)據(jù)歸一化到(-1,1)premnmx的語法格式是復制內(nèi)容到剪貼板 代碼:DE：Pn,minp,maxp,Tn,mint,maxt=premnmx(P,T)DE其中P，T分別為原始輸入和輸出數(shù)據(jù)，minp和maxp分別為P中的最小值和最大值。mint和maxt分別為T的最小值和最大值。我們在訓練網(wǎng)絡時，如果所用的是經(jīng)過歸一化的樣本數(shù)據(jù)，那么以后使用網(wǎng)絡時所用的新數(shù)據(jù)也應該和樣本數(shù)據(jù)接受相同的預處理，這就要用到tramnmx，換句話說使用同一個歸一化設置(setting)歸一化另外一組數(shù)據(jù)。如下所示：復制內(nèi)容到剪貼板 代碼:DEPn=tramnmx(P,minp,maxp)DE其中P和Pn分別為變換前、后的輸入數(shù)據(jù)，maxp和minp分別為premnmx函返回的最大值maxp和最小值minp。2、prestd、poststd、trastd歸化數(shù)據(jù)到(0,1)用法與1差不多。詳細可以help prestd。上述兩種方法是可以相互轉(zhuǎn)化的，比如，第一種歸化后的數(shù)據(jù)為p，則(1+p)./2的結果就是第二種了3、mapminmax()將數(shù)據(jù)歸一化到(-1,1)，是6.5中*mnmx系列的替換函數(shù)該函數(shù)同時可以執(zhí)行歸一化、反歸一化和歸一化其他數(shù)據(jù)的功能，具體看幫助和后面的實例復制內(nèi)容到剪貼板 代碼:DE% 歸一化數(shù)據(jù)輸入為p，輸出為tnormInput,ps = mapminmax(p);normTarget,ts = mapminmax(t);% 反歸一化trainOutput = mapminmax(reverse,normTrainOutput,ts);trainInsect = mapminmax(reverse,trainSamples.T,ts);validateOutput = mapminmax(reverse,normValidateOutput,ts);validateInsect = mapminmax(reverse,validateSamples.T,ts);testOutput = mapminmax(reverse,normTestOutput,ts);testInsect = mapminmax(reverse,testSamples.T,ts);%例子：x1 = 1 2 4; 1 1 1; 3 2 2; 0 0 0y1,PS = mapminmax(x1,0,1)% 歸化到 0,1，若不填，則默認為-1,1%還原：x1_again = mapminmax(reverse,y1,PS)DE4、mapstd()將數(shù)據(jù)歸一化到(0,1)，是6.5中*std系列的替代函數(shù)同理，3和4兩種方法是可以相互轉(zhuǎn)化的，比如，第一種歸化后的數(shù)據(jù)為p，則(1+p)./2的結果就是第二種了。5、自己寫歸一化函數(shù)，這個網(wǎng)上很多，大家可以百度下輸入訓練數(shù)據(jù)的亂序排法，以及分類注意：dividevec()函數(shù)在7.6版本還可以使用把數(shù)據(jù)重新打亂順序，進行輸入，可以讓數(shù)據(jù)更加具備典型性和更優(yōu)良的泛化能力！把數(shù)據(jù)進行打亂，并分類為：訓練輸入數(shù)據(jù)、變量數(shù)據(jù)、測試數(shù)據(jù)的方法我用百度搜了一下，發(fā)現(xiàn)有些方法，但居然很少看到使用matlab內(nèi)部函數(shù)直接進行的，其實matlab自帶的內(nèi)部函數(shù)dividevec，完全能勝任上述工作，推薦!但這個存在一個問題是，因為打亂了，最后分析結果的時候，數(shù)據(jù)重新排列困難，因為丟失了數(shù)據(jù)在數(shù)組中的位置參數(shù)。具體用法可以參見下面我的bp交通預測的例子。因為我用的7.0版本，Neural Network Toolbox Version 5.0.2 (R2007a)昨天，我去mathworks公司查看了一下nnet的新手冊，上述問題得到了解決，里面視乎沒有介紹dividverc這個函數(shù)了，但增加了新的函數(shù)來完成上述功能，并返回標號（手頭沒裝新版本Neural Network Toolbox Version 6.0 (R2008a)），看guide大概是這個意思(有新版本的，可以試一下，這個函數(shù)是不是這個意思)：divideblock，divideind，divideint和dividerand上述函數(shù)，用法和功能基本相同，只是打亂的方法不一樣，分別是block方法抽取、按數(shù)組標號自定義抽取、交錯索引抽取和隨機抽。下面以divideblock為例，講解其基本用法：復制內(nèi)容到剪貼板 代碼:DEtrainV,valV,testV,trainInd,valInd,testInd =divideblock(allV,trainRatio,valRatio,testRatio)訓練數(shù)據(jù),變量數(shù)據(jù),測試數(shù)據(jù),訓練數(shù)據(jù)矩陣的標號,變量數(shù)據(jù)標號,測試數(shù)據(jù)標號 =divideblock(所有數(shù)據(jù),訓練數(shù)據(jù)百分比,變量數(shù)據(jù)百分比,測試數(shù)據(jù)百分比)DE其實dividevec和后面四個分類函數(shù)的區(qū)別在于，dividevec一般直接在Matlab代碼中調(diào)用。而后面四個函數(shù)是通過設置網(wǎng)絡的divideFcn函數(shù)來實現(xiàn)，比如，net.divideFcn=divideblock，但不是說不可以在代碼中像dividevec直接調(diào)用如何查看和保存結果訓練好的權值、閾值的輸出方法是：輸入到隱層權值：復制內(nèi)容到剪貼板 代碼:DEw1=net.iw1,1DE隱層閾值：復制內(nèi)容到剪貼板 代碼:DEtheta1=net.b1DE隱層到輸出層權值：復制內(nèi)容到剪貼板 代碼:DEw2=net.lw2,1;DE輸出層閾值：復制內(nèi)容到剪貼板 代碼:DEtheta2=net.b2DE訓練好的BP神經(jīng)網(wǎng)絡保存：復制內(nèi)容到剪貼板 代碼:DE%保存save file_name net_name%Matlab自動將網(wǎng)絡保存為mat數(shù)據(jù)文件，下次使用時可以直接載入%載入load file_nameDE每次結果不一樣問題因為每次初始化網(wǎng)絡時都是隨機的，而且訓練終止時的誤差也不完全相同，結果訓練后的權植和閥也不完全相同（大致是一樣的），所以每次訓練后的結果也略有不同。找到比較好的結果后，用命令save filen_ame net_name保存網(wǎng)絡，可使預測的結果不會變化，在需要的調(diào)用時用命令load filename載入。關于如何找到比較好的結果，進行保存，可以設置誤差，在循環(huán)中保存，具體使用可以參看bp交通預測優(yōu)化后的例子考拉BP神經(jīng)網(wǎng)絡的matlab實現(xiàn)學習歷程（四）bp神經(jīng)網(wǎng)絡進行交通預測的Matlab源代碼本文考拉BP神經(jīng)網(wǎng)絡的matlab實現(xiàn)學習歷程系列由論壇超級版主akjuan整理和原創(chuàng)，我們在此表示特別感謝根據(jù)前面三節(jié)的學習內(nèi)容，可以基本編寫一個BP神經(jīng)網(wǎng)絡，來處理一些問題了。下面我給出一個bp神經(jīng)網(wǎng)絡進行交通預測的Matlab源代碼，里面?zhèn)溆休^為詳細的注釋，供給初學者！ 復制內(nèi)容到剪貼板 代碼:DE%bp神經(jīng)網(wǎng)絡進行交通預測的Matlab源代碼% BP 神經(jīng)網(wǎng)絡用于預測% 使用平臺 - Matlab7.0% 數(shù)據(jù)為1986年到2000年的交通量 ，網(wǎng)絡為3輸入，1輸出% 15組數(shù)據(jù)，其中9組為正常訓練數(shù)據(jù)，3組為變量數(shù)據(jù)，3組為測試數(shù)據(jù)%by akjuan%all rights preserved by %2008.11clcclear%-%原始數(shù)據(jù)%-year=1986:2000;%數(shù)據(jù)是從1986到2000年的p=493 372 445;372 445 176;445 176 235;176 235 378;235 378 429;.378 429 561;429 561 651;561 651 467;651 467 527;467 527 668;.527 668 841; 668 841 526;841 526 480;526 480 567;480 567 685;%輸入數(shù)據(jù)，共15組，每組3個輸入t=176 235 378 429 561 651 467 527 668 841 526 480 567 685 507;%輸出數(shù)據(jù)，共15組，每組1個輸出%-%數(shù)據(jù)歸一化處理%mapminmax函數(shù)默認將數(shù)據(jù)歸一化到-1,1，調(diào)用形式如下%y,ps =%mapminmax(x,ymin,ymax)%x需歸化的數(shù)據(jù)輸入%ymin，ymax為需歸化到的范圍，不填默認為歸化到-1,1%y歸一化后的樣本數(shù)據(jù)%ps處理設置，ps主要在結果反歸一化中需要調(diào)用，或者使用同樣的settings歸一化另外一組數(shù)據(jù)%-normInput,ps = mapminmax(p);normTarget,ts = mapminmax(t);%-%數(shù)據(jù)亂序，及分類處理%將輸入的15組數(shù)據(jù)的20%，即3組，用來作為測試數(shù)據(jù)；% 樣本的20%，即3組，用來作為變化數(shù)據(jù)；%另外9組用來正常輸入，用來訓練；%dividevec()用來重新隨機抽取上述三種分類的數(shù)據(jù)，原來的順序被打亂%函數(shù)調(diào)用的語法%trainV,valV,testV = dividevec(p,t,valPercent,testPercent)%輸入p為輸入數(shù)據(jù)，t為輸出數(shù)據(jù)%valPercent為訓練用的變化數(shù)據(jù)在總輸入中的百分比%testPercent為訓練用的測試數(shù)據(jù)在總輸入中的百分比%輸出trainV,valV,testV分別為按亂序及相應百分比，抽取得到的數(shù)據(jù)%另外，打亂后的數(shù)據(jù)，p和t都是對應的，請放心使用%-testPercent = 0.20; % Adjust as desiredvalidatePercent = 0.20; % Adust as desiredtrainSamples,validateSamples,testSamples = dividevec(normInput,normTarget,validatePercent,testPercent);%-% 設置網(wǎng)絡參數(shù)%- NodeNum1 = 20; % 隱層第一層節(jié)點數(shù)NodeNum2=40; % 隱層第二層節(jié)點數(shù)TypeNum = 1; % 輸出維數(shù)TF1 = tansig;TF2 = tansig; TF3 = tansig;%各層傳輸函數(shù)，TF3為輸出層傳輸函數(shù)%如果訓練結果不理想，可以嘗試更改傳輸函數(shù)，以下這些是各類傳輸函數(shù)%TF1 = tansig;TF2 = logsig;%TF1 = logsig;TF2 = purelin;%TF1 = tansig;TF2 = tansig;%TF1 = logsig;TF2 = logsig;%TF1 = purelin;TF2 = purelin; %注意創(chuàng)建BP網(wǎng)絡函數(shù)newff()的參數(shù)調(diào)用，在新版本(7.6)中已改變net=newff(minmax(normInput),NodeNum1,NodeNum2,TypeNum,TF1 TF2 TF3,traingdx);%創(chuàng)建四層BP網(wǎng)絡%-% 設置訓練參數(shù)%- net.trainParam.epochs=10000;%訓練次數(shù)設置net.trainParam.goal=1e-6;%訓練目標設置net.trainParam.lr=0.01;%學習率設置,應設置為較少值，太大雖然會在開始加快收斂速度，但臨近最佳點時，會產(chǎn)生動蕩，而致使無法收斂%-% 指定訓練函數(shù)%-% net.trainFcn = traingd; % 梯度下降算法% net.trainFcn = traingdm; % 動量梯度下降算法% net.trainFcn = traingda; % 變學習率梯度下降算法% net.trainFcn = traingdx; % 變學習率動量梯度下降算法% (大型網(wǎng)絡的首選算法)% net.trainFcn = trainrp; % RPROP(彈性BP)算法,內(nèi)存需求最小% (共軛梯度算法)% net.trainFcn = traincgf; % Fletcher-Reeves修正算法% net.trainFcn = traincgp; % Polak-Ribiere修正算法,內(nèi)存需求比Fletcher-Reeves修正算法略大% net.trainFcn = traincgb; % Powell-Beal復位算法,內(nèi)存需求比Polak-Ribiere修正算法略大% (大型網(wǎng)絡的首選算法)%net.trainFcn = trainscg; % Scaled Conjugate Gradient算法,內(nèi)存需求與Fletcher-Reeves修正算法相同,計算量比上面三種算法都小很多% net.trainFcn = trainbfg; % Quasi-Newton Algorithms - BFGS Algorithm,計算量和內(nèi)存需求均比共軛梯度算法大,但收斂比較快% net.trainFcn = trainoss; % One Step Secant Algorithm,計算量和內(nèi)存需求均比BFGS算法小,比共軛梯度算法略大% (中型網(wǎng)絡的首選算法)%net.trainFcn = trainlm; % Levenberg-Marquardt算法,內(nèi)存需求最大,收斂速度最快% net.trainFcn = trainbr; % 貝葉斯正則化算法% 有代表性的五種算法為:traingdx,trainrp,trainscg,trainoss, trainlmnet.trainfcn=traingdm;net,tr = train(net,trainSamples.P,trainSamples.T,validateSamples,testSamples);%-% 訓練完成后，就可以調(diào)用sim()函數(shù)，進行仿真了%- normTrainOutput,Pf,Af,E,trainPerf = sim(net,trainSamples.P,trainSamples.T);%正常輸入的9組p數(shù)據(jù)，BP得到的結果tnormValidateOutput,Pf,Af,E,validatePerf = sim(net,validateSamples.P,validateSamples.T);%用作變量3的數(shù)據(jù)p，BP得到的結果tnormTestOutput,Pf,Af,E,testPerf = sim(net,testSamples.P,testSamples.T);%用作測試的3組數(shù)據(jù)p，BP得到的結果t%-% 仿真后結果數(shù)據(jù)反歸一化，如果需要預測，只需將預測的數(shù)據(jù)P填入% 將獲得預測結果t%-trainOutput = mapminmax(reverse,normTrainOutput,ts);%正常輸入的9組p數(shù)據(jù)，BP得到的歸一化后的結果ttrainInsect = mapminmax(reverse,trainSamples.T,ts);%正常輸入的9組數(shù)據(jù)tvalidateOutput = mapminmax(reverse,normValidateOutput,ts);%用作變量3的數(shù)據(jù)p，BP得到的歸一化的結果tvalidateInsect = mapminmax(reverse,validateSamples.T,ts);%用作變量3的數(shù)據(jù)ttestOutput = mapminmax(reverse,normTestOutput,ts);%用作變量3組數(shù)據(jù)p，BP得到的歸一化的結果ttestInsect = mapminmax(reverse,testSamples.T,ts);%用作變量3組數(shù)據(jù)t%-% 數(shù)據(jù)分析和繪圖%-figureplot(1:12,trainOutput validateOutput,b-,1:12,trainInsect validateInsect,g-,13:15,testOutput,m*,13:15,testInsect,ro);title(o為真實值，*為預測值)xlabel(年份);ylabel(交通量（輛次/晝夜）);DE運行后的結果如下圖，注意該程序是在7.0版本上實驗的，沒法在6.5版本運行，因為6.5版本的歸一化函數(shù)被遺棄了；在7.6以上版本沒有沒法運行，因為newff函數(shù)參數(shù)形式改變了。但是只要將上面提到部分相應修改下，就可以運行了正常數(shù)據(jù)，是用來正常訓練用變量數(shù)據(jù)，主要目的是防止訓練中出現(xiàn)過擬合狀態(tài)測試數(shù)據(jù)，是用來看訓練效果的考拉BP神經(jīng)網(wǎng)絡的matlab實現(xiàn)學習歷程（五）bp神經(jīng)網(wǎng)絡進行交通預測程序優(yōu)化本文考拉BP神經(jīng)網(wǎng)絡的matlab實現(xiàn)學習歷程系列由論壇超級版主akjuan整理和原創(chuàng)，我們在此表示特別感謝在第四節(jié)，給出的BP網(wǎng)絡進行交通預測的程序，是個基本模式，更改少數(shù)幾處參數(shù)后，可用于其它方面！但通過程序運行后，可以看出，預測效果并不理想，如何得到理想的預測訓練結果，下面是基本思路及matlab的實現(xiàn)：1、設置一個誤差項，為測試數(shù)據(jù)的網(wǎng)絡仿真結果和實際結果偏差，并設置一個自己能接受的精度值2、每次訓練網(wǎng)絡后，將這個誤差和設置值比較，也可通過測試獲得網(wǎng)絡能給出的最高預測精度3、得到滿意訓練網(wǎng)絡后，保存BP結果，以便下次調(diào)用下面這個程序是在第四節(jié)程序基礎上優(yōu)化而來，可以運行前面的程序和這個程序，比較兩者的差別，可以通過修改eps來控制預測的誤差！ 復制內(nèi)容到剪貼板 代碼:DE%bp神經(jīng)網(wǎng)絡進行交通預測的Matlab源代碼% BP 神經(jīng)網(wǎng)絡用于預測% 使用平臺 - Matlab7.0% 數(shù)據(jù)為1986年到2000年的交通量 ，網(wǎng)絡為3輸入，1輸出% 15組數(shù)據(jù)，其中9組為正常訓練數(shù)據(jù)，3組為變量數(shù)據(jù)，3組為測試數(shù)據(jù)%by akjuan%all rights preserved by %2008.11clcclearAll_error=;%所有誤差存儲%-%原始數(shù)據(jù)%-year=1986:2000;%數(shù)據(jù)是從1986到2000年的p=493 372 445;372 445 176;445 176 235;176 235 378;235 378 429;.378 429 561;429 561 651;561 651 467;651 467 527;467 527 668;.527 668 841; 668 841 526;841 526 480;526 480 567;480 567 685;%輸入數(shù)據(jù)，共15組，每組3個輸入t=176 235 378 429 561 651 467 527 668 841 526 480 567 685 507;%輸出數(shù)據(jù)，共15組，每組1個輸出%-%數(shù)據(jù)歸一化處理%mapminmax函數(shù)默認將數(shù)據(jù)歸一化到-1,1，調(diào)用形式如下%y,ps =%mapminmax(x,ymin,ymax)%x需歸化的數(shù)據(jù)輸入%ymin，ymax為需歸化到的范圍，不填默認為歸化到-1,1%y歸一化后的樣本數(shù)據(jù)%ps處理設置，ps主要在結果反歸一化中需要調(diào)用，或者使用同樣的settings歸一化另外一組數(shù)據(jù)%-normInput,ps = mapminmax(p);normTarget,ts = mapminmax(t);%-%數(shù)據(jù)亂序，及分類處理%將輸入的15組數(shù)據(jù)的20%，即3組，用來作為測試數(shù)據(jù)；% 樣本的20%，即3組，用來作為變化數(shù)據(jù)；%另外9組用來正常輸入，用來訓練；%dividevec()用來重新隨機抽取上述三種分類的數(shù)據(jù)，原來的順序被打亂%函數(shù)調(diào)用的語法%trainV,valV,testV = dividevec(p,t,valPercent,testPercent)%輸入p為輸入數(shù)據(jù)，t為輸出數(shù)據(jù)%valPercent為訓練用的變化數(shù)據(jù)在總輸入中的百分比%testPercent為訓練用的測試數(shù)據(jù)在總輸入中的百分比%輸出trainV,valV,testV分別為按亂序及相應百分比，抽取得到的數(shù)據(jù)%另外，打亂后的數(shù)據(jù)，p和t都是對應的，請放心使用%-testPercent = 0.20; % Adjust as desiredvalidatePercent = 0.20; % Adust as desiredtrainSamples,validateSamples,testSamples = dividevec(normInput,normTarget,validatePercent,testPercent);for j=1:200%-% 設置網(wǎng)絡參數(shù)%- NodeNum1 = 20; % 隱層第一層節(jié)點數(shù)NodeNum2=40; % 隱層第二層節(jié)點數(shù)TypeNum = 1; % 輸出維數(shù)TF1 = tansig;TF2 = tansig; TF3 = tansig;%各層傳輸函數(shù)，TF3為輸出層傳輸函數(shù)%如果訓練結果不理想，可以嘗試更改傳輸函數(shù)，以下這些是各類傳輸函數(shù)%TF1 = tansig;TF2 = logsig;%TF1 = logsig;TF2 = purelin;%TF1 = tansig;TF2 = tansig;%TF1 = logsig;TF2 = logsig;%TF1 = purelin;TF2 = purelin; net=newff(minmax(normInput),NodeNum1,NodeNum2,TypeNum,TF1 TF2 TF3,traingdx);%網(wǎng)絡創(chuàng)建%-% 設置訓練參數(shù)%- net.trainParam.epochs=10000;%訓練次數(shù)設置net.trainParam.goal=1e-6;%訓練目標設置net.trainParam.lr=0.01;%學習率設置,應設置為較少值，太大雖然會在開始加快收斂速度，但臨近最佳點時，會產(chǎn)生動蕩，而致使無法收斂%-% 指定訓練參數(shù)%-% net.trainFcn = traingd; % 梯度下降算法% net.trainFcn = traingdm; % 動量梯度下降算法% net.trainFcn = traingda; % 變學習率梯度下降算法% net.trainFcn = traingdx; % 變學習率動量梯度下降算法% (大型網(wǎng)絡的首選算法)% net.trainFcn = trainrp; % RPROP(彈性BP)算法,內(nèi)存需求最小% (共軛梯度算法)% net.trainFcn = traincgf; % Fletcher-Reeves修正算法% net.trainFcn = traincgp; % Polak-Ribiere修正算法,內(nèi)存需求比Fletcher-Reeves修正算法略大% net.trainFcn = traincgb; % Powell-Beal復位算法,內(nèi)存需求比Polak-Ribiere修正算法略大% (大型網(wǎng)絡的首選算法)%net.trainFcn = trainscg; % Scaled Conjugate Gradient算法,內(nèi)存需求與Fletcher-Reeves修正算法相同,計算量比上面三種算法都小很多% net.trainFcn = trainbfg; % Quasi-Newton Algorithms - BFGS Algorithm,計算