BP神经网络的简单实现
一、简介
BP（Back Propagation）神经网络是一种多层前馈神经网络，广泛应用于模式识别、分类和预测等问题，BP神经网络通过梯度下降法不断调整网络权值，以最小化输出误差，本文将介绍如何在MATLAB中实现一个简单的BP神经网络，并通过具体实例进行说明。
二、数据准备
我们使用以下简单的数据集进行训练和测试：
x1 = [-3, -2.7, -2.4, -2.1, -1.8, -1.5, -1.2, -0.9, -0.6, -0.3, 0, 0.3, 0.6, 0.9, 1.2, 1.5, 1.8]; x2 = [-2, -1.8, -1.6, -1.4, -1.2, -1, -0.8, -0.6, -0.4, -0.2, 0, 0.2, 0.4, 0.6, 0.8, 1, 1.2]; y = [0.6589, 0.2206, -0.1635, -0.4712, -0.6858, -0.7975, -0.8040, -0.7113, -0.5326, -0.2875, 0, 0.3035, 0.5966, 0.8553, 1.0600, 1.1975, 1.2618];
三、网络结构设置
1. 节点个数设置
输入层：2个节点（对应x1和x2）
隐层：3个节点
输出层：1个节点（对应y）
2. 传递函数设置
隐层：tansig函数
输出层：purelin函数
3. 训练方式
trainlm
四、代码实现
下面是使用MATLAB实现BP神经网络的代码示例：
% 数据准备
x1 = [-3, -2.7, -2.4, -2.1, -1.8, -1.5, -1.2, -0.9, -0.6, -0.3, 0, 0.3, 0.6, 0.9, 1.2, 1.5, 1.8];
x2 = [-2, -1.8, -1.6, -1.4, -1.2, -1, -0.8, -0.6, -0.4, -0.2, 0, 0.2, 0.4, 0.6, 0.8, 1, 1.2];
y = [0.6589, 0.2206, -0.1635, -0.4712, -0.6858, -0.7975, -0.8040, ...
-0.7113, -0.5326, -0.2875, 0, 0.3035, 0.5966, 0.8553, 1.0600, 1.1975, 1.2618];
inputData = [x1'; x2']; % 输入数据
outputData = y; % 输出数据
% 设置随机种子，保证每次训练结果一致
setdemorandstream(88888);
% 创建BP神经网络
net = newff(inputData, outputData, 3, {'tansig', 'purelin'}, 'trainlm');
% 设置训练参数
net.trainParam.goal = 0.0001; % 训练目标：均方误差低于0.0001
net.trainParam.show = 400; % 每400次迭代显示一次结果
net.trainParam.epochs = 15000; % 最大训练次数：15000
net.trainParam.lr = 0.01; % 学习率
% 训练网络
[net, tr] = train(net, inputData, outputData);
% 仿真网络，得到预测结果
simout = sim(net, inputData);
% 绘图对比原始数据和预测结果
figure;
t = 1:length(simout);
plot(t, y, 'b', t, simout, 'r');
legend('Original Data', 'Predicted Data');
title('BP Neural Network Prediction');
五、代码详细解说
1. 数据准备
x1 = [-3, -2.7, -2.4, -2.1, -1.8, -1.5, -1.2, -0.9, -0.6, -0.3, 0, 0.3, 0.6, 0.9, 1.2, 1.5, 1.8];
x2 = [-2, -1.8, -1.6, -1.4, -1.2, -1, -0.8, -0.6, -0.4, -0.2, 0, 0.2, 0.4, 0.6, 0.8, 1, 1.2];
y = [0.6589, 0.2206, -0.1635, -0.4712, -0.6858, -0.7975, -0.8040, ...
-0.7113, -0.5326, -0.2875, 0, 0.3035, 0.5966, 0.8553, 1.0600, 1.1975, 1.2618];
inputData = [x1'; x2']; % 将x1和x2作为输入数据
outputData = y; % 将y作为输出数据
setdemorandstream(88888); % 指定随机种子，这样每次训练出来的网络都一样。
这段代码定义了输入数据x1和x2，以及对应的输出数据y，然后将输入数据组合成矩阵inputData，输出数据存储在outputData中，最后指定随机种子以保证每次运行结果一致。
2. 创建BP神经网络
net = newff(inputData, outputData, 3, {'tansig', 'purelin'}, 'trainlm');
这行代码使用newff函数创建一个前馈神经网络，该网络有三层：输入层、隐层和输出层，隐层包含3个节点，传递函数分别为tansig和purelin，训练函数为trainlm。
3. 设置训练参数
net.trainParam.goal = 0.0001; % 训练目标：均方误差低于0.0001 net.trainParam.show = 400; % 每400次迭代显示一次结果 net.trainParam.epochs = 15000; % 最大训练次数：15000 net.trainParam.lr = 0.01; % 学习率
这些代码设置了训练参数，包括训练目标、显示频率、最大训练次数和学习率。
4. 训练网络
[net, tr] = train(net, inputData, outputData);
这行代码调用MATLAB自带的train函数对网络进行训练，训练过程中会根据设定的参数调整网络的权重和偏置，以达到预定的训练目标。
5. 仿真网络，得到预测结果
simout = sim(net, inputData); % 调用matlab神经网络工具箱自带的sim函数得到网络的预测值
使用训练好的网络对输入数据进行仿真，得到预测结果simout。
6. 绘图对比原始数据和预测结果
figure; % 新建画图窗口窗口
t = 1:length(simout); % t为时间向量，从1到simout的长度
plot(t, y, 'b', t, simout, 'r'); % 画图，对比原来的y和网络预测的y
legend('Original Data', 'Predicted Data'); % 添加图例
title('BP Neural Network Prediction'); % 标题
这段代码绘制了原始数据y和预测结果simout的对比图，方便直观地观察网络的性能。
通过上述步骤，我们实现了一个简单的BP神经网络，并使用MATLAB对其进行了训练和测试，BP神经网络具有较强的非线性映射能力和容错能力，适用于各种复杂的模式识别和分类问题，BP神经网络也存在一些局限性，如容易陷入局部最优解、训练速度较慢等，为了克服这些问题，可以采用改进的训练算法（如动量法、自适应学习率法等）或引入更多的优化技术（如正则化、Dropout等）。
相关问题与解答栏目
Q1: 如何选择合适的隐层节点数？
A1: 选择合适的隐层节点数通常依赖于具体的问题和经验公式，可以从较小的节点数开始测试，逐步增加节点数，直到达到满意的性能，常用的经验公式是k = sqrt(m + n) + a，其中m 是输入层节点数，n 是输出层节点数，a 是一个常数（通常取值在1到10之间）。
Q2: 如何避免BP神经网络陷入局部最优解？
A2: 为了避免陷入局部最优解，可以尝试以下方法：
1、使用不同的初始化方法：如Xavier初始化或He初始化。
2、引入正则化项：如L2正则化或L1正则化。
3、使用改进的训练算法：如动量法、RMSprop、Adam等。
4、调整学习率：采用自适应学习率或手动调整学习率。
5、增加数据集：确保数据集足够大且多样化，以覆盖更多的情况。
各位小伙伴们，我刚刚为大家分享了有关“bp神经网络的简单实现”的知识，希望对你们有所帮助。如果您还有其他相关问题需要解决，欢迎随时提出哦！
原创文章，作者：K-seo，如若转载，请注明出处：https://www.kdun.cn/ask/694767.html
微信扫一扫 