一、神经网络算法步骤

1、导入需要处理的数据，随机获取实验数据和目标数据。

2、构建训练网络，函数：newwff。

3、对网络训练，函数：train。

4、仿真操作，函数：sin(net,x)。

5、评价。

6、模拟训练的效果可视化。

在神经网络训练中，我们构建神经网络的实验数据和目标收敛数据都是从原始数据中随机获取的。

二、神经网络学习主要函数说明

newff：前馈网络创建函数
函数结构：net = newff(A,B,{C},’trainFun’,’BLF’,’PF’)。
参数：
A：一个n*2的矩阵，第i行元素为输入信号Xi的最大最小值；
B：一个K维行向量，其元素为网络中各个节点的数量；
C：一个K维字符串行向量，每一个分量为对应层的神经元的激活函数，默认为“tansig”；
trainFun：为学习规则的采用的训练算法。默认为：“trainlm”；
BLF：BP权值/偏差学习函数。默认为：“learngdm”；
PF：性能函数，默认为“mse”；

train函数
函数结构
网络学习函数：[net,tr,YI,E] = train(net,X,Y) 。
参数：
X：网络实际输入；
Y：网络应有输出；
tr：网络跟踪信息；
YI：网络实际输出；
E：误差矩阵。

sim函数
函数结构：Y = sim(net,X) 。
参数
X：输入给网络的KN矩阵，K为网络输入个数，N为样本数据量；
Y：输出矩阵QN,其中Q为网络输出个数。

三、案例

1．案例1

利用三层BP神经网络来完成非线性函数的逼近任务，其中隐层神经元个数为五个。

clear; clc;

X=-1:0.1:1;

D=[-0.9602 -0.5770 -0.0729 0.3771 0.6405 0.6600 0.4609...

    0.1336 -0.2013 -0.4344
-0.5000 -0.3930 -0.1647 -.0988...

    0.3072 0.3960 0.3449
0.1816 -0.312 -0.2189 -0.3201];

net=newff([-1,1],[5,1],{'tansig','tansig'});%初始网络

net.trainParam.epochs=1000;%最大训练次数

net.trainParam.goal=0.005;%训练要求精度

net=train(net,X,D);%网络训练

figure

plot(X,D,'*',X,Y); %绘制实际曲线点和预测曲线

% 利用得到的神经网络和数据仿真预测

Y=sim(net,X)  %Y为预测结果
2．案例2

clear;clc;

P=[-1 -1 2 2 4;0
5 0 5 7];

T=[-1 -1 1 1
-1];

% 样本数据归一化处理

[input_n,input_ps]=mapminmax(P);

[output_n,output_ps]=mapminmax(T);

% 初始化网络结果（利用minmax函数求输入样本范围）

net=newff(input_n,output_n,[5,1]);%三个数据为输入样本数据，输出样本数据和隐含层节点数

%设置参数

net.trainParam.show=50;

net.trainParam.lr=0.05;

net.trainParam.epochs=300;

net.trainParam.goal=0.005;

%网络训练

[net,tr]=train(net,P,T);

%利用得到的神经网络和数据仿真预测

Y=sim(net,P)%Y为预测结果


---------------------
【转载，仅作分享，侵删】
原文：https://blog.csdn.net/weixin_43428682/article/details/87885443
版权声明：本文为博主原创文章，转载请附上博文链接！

奈斯，感谢分享