bp.m

来自「破坏力规模-消极效能 很好的bp神经网络实例」· M 代码 · 共 254 行

close all
% clear
echo on
% clc

P=[0.100 	0.100 	0.100 
0.104 	0.109 	0.109 
0.109 	0.118 	0.118 
0.113 	0.127 	0.127 
0.118 	0.136 	0.136 
0.122 	0.144 	0.144 
0.127 	0.153 	0.153 
0.131 	0.162 	0.162 
0.136 	0.171 	0.171 
0.140 	0.180 	0.180 
0.144 	0.189 	0.189 
0.149 	0.198 	0.198 
0.153 	0.207 	0.207 
0.158 	0.216 	0.216 
0.162 	0.224 	0.224 
0.167 	0.233 	0.233 
0.171 	0.242 	0.242 
0.176 	0.251 	0.251 
0.180 	0.260 	0.260 
0.184 	0.269 	0.269 
0.189 	0.278 	0.278 
0.193 	0.287 	0.287 
0.198 	0.296 	0.296 
0.202 	0.304 	0.304 
0.207 	0.313 	0.313 
0.211 	0.322 	0.322 
0.216 	0.331 	0.331 
0.220 	0.340 	0.340 
0.224 	0.349 	0.349 
0.229 	0.358 	0.358 
0.233 	0.367 	0.367 
0.238 	0.376 	0.376 
0.242 	0.384 	0.384 
0.247 	0.393 	0.393 
0.251 	0.402 	0.402 
0.256 	0.411 	0.411 
0.260 	0.420 	0.420 
0.264 	0.429 	0.429 
0.269 	0.438 	0.438 
0.273 	0.447 	0.447 
0.278 	0.456 	0.456 
0.282 	0.464 	0.464 
0.287 	0.473 	0.473 
0.291 	0.482 	0.482 
0.296 	0.491 	0.491 
0.300 	0.500 	0.500 
0.304 	0.509 	0.509 
0.309 	0.518 	0.518 
0.313 	0.527 	0.527 
0.318 	0.536 	0.536 
0.322 	0.544 	0.544 
0.327 	0.553 	0.553 
0.331 	0.562 	0.562 
0.336 	0.571 	0.571 
0.340 	0.580 	0.580 
0.344 	0.589 	0.589 
0.349 	0.598 	0.598 
0.353 	0.607 	0.607 
0.358 	0.616 	0.616 
0.362 	0.624 	0.624 
0.367 	0.633 	0.633 
0.371 	0.642 	0.642 
0.376 	0.651 	0.651 
0.380 	0.660 	0.660 
0.384 	0.669 	0.669 
0.389 	0.678 	0.678 
0.393 	0.687 	0.687 
0.398 	0.696 	0.696 
0.402 	0.704 	0.704 
0.407 	0.713 	0.713 
0.411 	0.722 	0.722 
0.416 	0.731 	0.731 
0.420 	0.740 	0.740 
0.424 	0.749 	0.749 
0.429 	0.758 	0.758 
0.433 	0.767 	0.767 
0.438 	0.776 	0.776 
0.442 	0.784 	0.784 
0.447 	0.793 	0.793 
0.451 	0.802 	0.802 
0.456 	0.811 	0.811 
0.500 	0.820 	0.820 
0.544 	0.829 	0.829 
0.589 	0.838 	0.838 
0.633 	0.847 	0.847 
0.678 	0.856 	0.856 
0.722 	0.864 	0.864 
0.767 	0.873 	0.873 
0.811 	0.882 	0.882 
0.856 	0.891 	0.891 
0.900 	0.900 	0.900 
]'
T=[0.100 	0.100 	0.100 	0.100 	0.100 
0.100 	0.100 	0.100 	0.101 	0.100 
0.101 	0.101 	0.100 	0.102 	0.100 
0.101 	0.101 	0.100 	0.103 	0.101 
0.101 	0.102 	0.100 	0.103 	0.101 
0.101 	0.102 	0.100 	0.104 	0.101 
0.102 	0.103 	0.101 	0.105 	0.101 
0.102 	0.103 	0.101 	0.106 	0.102 
0.102 	0.104 	0.101 	0.107 	0.102 
0.103 	0.104 	0.101 	0.108 	0.102 
0.103 	0.104 	0.101 	0.108 	0.102 
0.103 	0.105 	0.101 	0.109 	0.103 
0.104 	0.105 	0.101 	0.110 	0.103 
0.104 	0.106 	0.101 	0.111 	0.103 
0.104 	0.106 	0.101 	0.112 	0.103 
0.105 	0.107 	0.101 	0.113 	0.103 
0.105 	0.107 	0.101 	0.114 	0.104 
0.105 	0.108 	0.102 	0.114 	0.104 
0.106 	0.108 	0.102 	0.115 	0.104 
0.106 	0.108 	0.102 	0.116 	0.104 
0.107 	0.113 	0.106 	0.121 	0.107 
0.108 	0.114 	0.106 	0.122 	0.107 
0.109 	0.114 	0.106 	0.123 	0.107 
0.110 	0.115 	0.106 	0.124 	0.107 
0.111 	0.115 	0.107 	0.125 	0.108 
0.112 	0.116 	0.107 	0.125 	0.108 
0.113 	0.116 	0.107 	0.126 	0.108 
0.114 	0.117 	0.107 	0.127 	0.108 
0.115 	0.117 	0.107 	0.128 	0.109 
0.116 	0.117 	0.107 	0.129 	0.109 
0.117 	0.136 	0.117 	0.138 	0.114 
0.119 	0.136 	0.117 	0.139 	0.114 
0.121 	0.137 	0.118 	0.140 	0.114 
0.123 	0.137 	0.118 	0.141 	0.115 
0.125 	0.138 	0.118 	0.141 	0.115 
0.128 	0.138 	0.118 	0.142 	0.115 
0.130 	0.138 	0.118 	0.143 	0.115 
0.132 	0.139 	0.118 	0.144 	0.116 
0.134 	0.139 	0.118 	0.145 	0.116 
0.136 	0.140 	0.118 	0.146 	0.116 
0.139 	0.167 	0.144 	0.168 	0.128 
0.142 	0.167 	0.144 	0.169 	0.128 
0.146 	0.168 	0.144 	0.169 	0.128 
0.149 	0.168 	0.144 	0.170 	0.129 
0.153 	0.169 	0.144 	0.171 	0.129 
0.157 	0.169 	0.144 	0.172 	0.129 
0.160 	0.170 	0.145 	0.173 	0.129 
0.164 	0.170 	0.145 	0.174 	0.129 
0.168 	0.171 	0.145 	0.174 	0.130 
0.171 	0.171 	0.145 	0.175 	0.130 
0.175 	0.221 	0.197 	0.206 	0.148 
0.183 	0.221 	0.197 	0.207 	0.149 
0.192 	0.222 	0.198 	0.208 	0.149 
0.200 	0.222 	0.198 	0.208 	0.149 
0.208 	0.222 	0.198 	0.209 	0.149 
0.216 	0.223 	0.198 	0.210 	0.150 
0.225 	0.223 	0.198 	0.211 	0.150 
0.233 	0.224 	0.198 	0.212 	0.150 
0.241 	0.224 	0.198 	0.213 	0.150 
0.250 	0.225 	0.198 	0.213 	0.151 
0.258 	0.323 	0.322 	0.316 	0.231 
0.271 	0.324 	0.322 	0.317 	0.231 
0.284 	0.324 	0.322 	0.318 	0.231 
0.298 	0.325 	0.322 	0.318 	0.231 
0.311 	0.325 	0.322 	0.319 	0.232 
0.324 	0.326 	0.322 	0.320 	0.232 
0.337 	0.326 	0.322 	0.321 	0.232 
0.351 	0.327 	0.323 	0.322 	0.232 
0.364 	0.327 	0.323 	0.323 	0.233 
0.377 	0.327 	0.323 	0.323 	0.233 
0.390 	0.453 	0.500 	0.477 	0.384 
0.412 	0.454 	0.500 	0.478 	0.384 
0.434 	0.454 	0.500 	0.478 	0.384 
0.456 	0.454 	0.500 	0.479 	0.384 
0.478 	0.455 	0.500 	0.480 	0.385 
0.500 	0.455 	0.500 	0.481 	0.385 
0.521 	0.456 	0.500 	0.482 	0.385 
0.543 	0.456 	0.500 	0.483 	0.385 
0.565 	0.457 	0.500 	0.483 	0.386 
0.587 	0.457 	0.501 	0.484 	0.386 
0.609 	0.632 	0.678 	0.646 	0.565 
0.638 	0.632 	0.678 	0.647 	0.565 
0.667 	0.633 	0.678 	0.648 	0.565 
0.696 	0.633 	0.678 	0.649 	0.566 
0.725 	0.634 	0.678 	0.649 	0.566 
0.754 	0.634 	0.678 	0.650 	0.566 
0.784 	0.635 	0.678 	0.651 	0.566 
0.813 	0.635 	0.678 	0.652 	0.567 
0.842 	0.635 	0.678 	0.653 	0.567 
0.871 	0.636 	0.678 	0.654 	0.567 
0.900 	0.900 	0.900 	0.900 	0.900 
]'

p=[0.82 	0.10 	0.90 
0.90 	0.10 	0.90
]'
tt=[0.871 	0.636 	0.678 	0.654 	0.567 
0.900 	0.900 	0.900 	0.900 	0.900 
]'

y=[0.82  0.10 	0.90 ]'

echo off


%clc
net=newcf(minmax(P),[4,8,8,5],{'logsig','tansig','tansig','logsig'},'trainlm');%创建一个新的前向神经网络

%clc
%设计训练参数
net.trainParam.epochs=1000;%训练次数
net.trainParam.show=200;
net.trainParam.max_fail=50;%最大验证失败次数
net.trainParam.lr=0.01;
%net.trainParam.max_perf_inc=1.04;
%net.trainParam.lr_inc=1.05;
%net.trainParam.lr_dec=0.7;
%net.trainParam.lr=0.0008;%学习速率
net.trainParam.min_grad=0;
net.trainParam.goal=0.0001;%网络性能目标
%net.trainParam.time=60;
net.trainParam.mu=0.00001
[net,tr]=train(net,P,T);
%pause


%对网络进行仿真

%仿真训练样本


t=(sim(net,P));
t'
aa=(sim(net,p))
bb=(sim(net,y))

%E=T-A;         
%MSE=mse(E)
%pause
%save hedonglm58 net
%clc
%绘制仿真拟合结果曲线
%A'
%aa
%close;

%G=1:1:21

%  红色代表仿真值,绿色代表实际值
%plot(G,A,'r*',G,T,'g*');
%Y=A
%yy=aa-tt
%pause
%echo off