bp1.m

轧制力拟合程序 基本思想是线性方程加BP补偿

clc;
clear;
load xunlianx.txt;    %    加载训练样本和检验样本
load xunliany.txt;
PP=xunlianx';
TT=xunliany';
echo on 



[pn,minp,maxp,tn,mint,maxt]=premnmx(PP,TT);%prestd把数据归一化为单位方差和零均值
                        %使得归一化后的输入和目标数据均服从正态分布,以提高训练效率.
%创建一个新的前向神经网络
JJ=18;
net=newff(minmax(pn),[JJ,1],{'tansig','purelin'},'trainlm');
%可用L-M优化算法trainlm代替traingdm函数，收敛速度明显优于动量梯度下降法，且得到更小的误差。

net.performFcn='sse';          % 设置训练函数为sse(平方和误差函数)  
net.trainParam.show = 50;      %两次显示之间的训练次数
net.trainParam.lr = 0.05;        %学习速率
net.trainParam.lr_inc = 1.05;     %学习速率增长比例因子
net.trainParam.lr_dec = 0.7;     %学习速率下降比例因子
net.trainParam.epochs =400;   %训练次数
net.trainParam.goal = 10e-3;      %网络训练目标mse=9.5238e-004 
net.trainParam.mc = 0.95;       %动量常数
net.trainParam.min_grad = 1.0e-4; %性能函数的最小梯度

                                    %调用TRAINGDM算法训练BP神经网络
%[net,tr]=train(net,pn,tn);
net = train(net,pn,tn);
echo off

save netRF net;

load net;
load xunlianx.txt;    %    加载训练样本和检验样本
load xunliany.txt;
PP=xunlianx';
TT=xunliany';

[pn,minp,maxp,tn,mint,maxt]=premnmx(PP,TT);%prestd把数据归一化为单位方差和零均值

A1=sim(net,pn);
        [a] = postmnmx(A1,mint,maxt);
        [m,b,r] = postreg(a,TT);