wj.m

神经网络的源码程序

%BP网络的第一阶段学习期（训练加权系数wki,wij）
%初始化
lr=0.05;err_goal=0.0002;%lr为修正权植的学习速率；err_goal为期望误差最小植
max_epoch=1000; a=0.9;%max_epoch为训练的最大次数
Oi=0;Ok=0;%置隐含层和输出层各神经元输出初值为零
%提供一组训练集和目标值（1输入，1输出）
pi=3.1416;b=1;%b是要逼近的函数中的一参数，可选1，2，4，8
X=-2:0.1:2;T=1+sin((b/4)*pi*X);
%初始化Wki,Wij(M为输入节点j的数量；q为隐含层节点i的数量；L为输出节点k的数量）
[M,N]=size(X);q=6;[L,N]=size(T);%N为训练集对数量
Wij=rand(q,M);Wki=rand(L,q);
Wij0=zeros(size(Wij));Wki0=zeros(size(Wki));
for epoch=1:max_epoch
    %计算隐含层各神经元输出
    NETi=Wij*X;
    for j=1:N
        for i=1:q
            Oi(i,j)=1/(1+exp(-NETi(i,j)));
        end
    end
    %计算输出层各神经元输出
    NETk=Wki*Oi;
    for i=1:N
        for k=1:L
            Ok(k,i)=NETk(k,i);
        end
    end
    %计算误差函数
    E=((T-Ok)'*(T-Ok))/2;
    if(E<err_goal) break;end
    %调整输出层加权系数
    deltak=2*Ok.*(1-Ok).*(T-Ok);
    W=Wki;
    Wki=Wki+lr*deltak*Oi';
    Wki0=W;
    %调整隐含层加权系数
    deltai=Oi.*(1-Oi).*(deltak'*Wki)';
    W=Wij;
    Wij=Wij+lr*deltai*X'+a*(Wij-Wij0);
    Wij0=W;
end
epoch%显示计算次数
%BP网络的第二阶段工作期（根据训练好的Wki,Wij和给定的输入计算输出）
X1=X;%给定输入
%计算隐含层各神经元输出
NETi=Wij*X1;
for j=1:N
    for i=1:q
        Oi(i,j)=1/(1+exp(-NETi(i,j)));
    end
end
%计算输出层各神经元输出
NETk=Wki*Oi;
for i=1:N
    for k=1:L
        Ok(k,i)=NETk(k,i);
    end
end
SSE=mae(E);
Ok,q,SSE%显示网络输出层的输出,隐含层节点i的数量，平均绝对误差
plot(X,T,'+',X,Ok)