如何用MATLAB神经网络工具箱创建BP神经网络模型

1． 常用的前馈型BP网络的转移函数有logsig，tansig，有时也会用到线性函数purelin。当网络的最后一层采用曲线函数时，输出被限制在一个很小的范围内，如果采用线性函数则输出可为任意值。以上三个函数是BP网络中最常用到的函数，但是如果需要的话你也可以创建其他可微的转移函数。

2． 在BP网络中，转移函数可求导是非常重要的，tansig、logsig和purelin都有对应的导函数dtansig、dlogsig和dpurelin。为了得到更多转移函数的导函数，可以带字符"deriv"的转移函数：　tansig('deriv')

代码如下：直接运行就是了。

P=P=[-1,  -2,    3,    1;       -1,    1,    5,  -3; -2,  3, 4, 6;  1, 2, 3,  4 ];%初始训练值

%  创建一个新的前向神经网络 

net=newff(minmax(P),[8,1],{'tansig','purelin'},'traingdm')

%  当前输入层权值和阈值 

inputWeights=netIW{1,1} 

inputbias=netb{1} 

%  当前网络层权值和阈值 

layerWeights=netLW{2,1} 

layerbias=netb{2} 

%  设置训练参数 

nettrainParamshow = 50; 

nettrainParamlr = 005; 

nettrainParammc = 09; 

nettrainParamepochs = 1000; 

nettrainParamgoal = 1e-3; 

%  调用 TRAINGDM 算法训练 BP 网络 

[net,tr]=train(net,P,T); 

%  对 BP 网络进行仿真 

A = sim(net,P) %最后结果

%  计算仿真误差 

E = T - A 

MSE=mse(E)

第0节、引例

本文以Fisher的Iris数据集作为神经网络程序的测试数据集。Iris数据集可以在>

经过两天的研究，终于更加清晰地搞明白了所谓BP，做此记录。

M-P模型，其实就是按照生物神经元的结构和工作原理来构造出来的比较简单的模型。下图为M-P模型的示意图：

具体的推论详见 >

人工智能

bp神经网络的应用案例,bp神经网络数学模型



普通网友

原创

关注

0点赞·181人阅读

1、BP人工神经网络

人工神经网络（artificialneuralnetwork，ANN）指由大量与自然神经系统相类似的神经元联结而成的网络，是用工程技术手段模拟生物网络结构特征和功能特征的一类人工系统。神经网络不但具有处理数值数据的一般计算能力，而且还具有处理知识的思维、学习、记忆能力，它采用类似于“黑箱”的方法，通过学习和记忆，找出输入、输出变量之间的非线性关系（映射），在执行问题和求解时，将所获取的数据输入到已经训练好的网络，依据网络学到的知识进行网络推理，得出合理的答案与结果。

岩土工程中的许多问题是非线性问题，变量之间的关系十分复杂，很难用确切的数学、力学模型来描述。工程现场实测数据的代表性与测点的位置、范围和手段有关，有时很难满足传统统计方法所要求的统计条件和规律，加之岩土工程信息的复杂性和不确定性，因而运用神经网络方法实现岩土工程问题的求解是合适的。

BP神经网络模型是误差反向传播（BackPagation）网络模型的简称。它由输入层、隐含层和输出层组成。网络的学习过程就是对网络各层节点间连接权逐步修改的过程，这一过程由两部分组成：正向传播和反向传播。正向传播是输入模式从输入层经隐含层处理传向输出层；反向传播是均方误差信息从输出层向输入层传播，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，使得误差信号最小。

在BP里附加材质并且在材质color通道加入贴图就可以啦。

BODY PAINTBodyPaint 3D是—款关于绘制贴图软件，—经推出就成为市场上最佳的UV贴图软件。

如何把我们的模型导入Body Paint中进行UV绘制1，我们先把已完成的模型用obj格式导出来，再把这个模型文件放进视图窗口。

⒉。然后把psd格式的uv贴图放进材质面板里。

3。把上面空白的材质球直接delete删掉，再把下面我们刚刚拖进去的材质球激活（点击材质球后面的红×激活)，并把激活后的材质球拖给我们的模型。

4。最后我们在对象面板下，把带有问号或者X的材质球给删除。这样，我们的贴图和模型就都成功的导入到了body paint里，导入后就可以进行自由的绘制了。

我也是一个初学者，bp神经网络的学习可以参考以下程序。不对的还请见谅，

% NEWFF——生成一个新的前向神经网络

% TRAIN——对 BP 神经网络进行训练

% SIM——对 BP 神经网络进行仿真

% 定义训练样本

% P 为输入矢量

P=pixel_value'

% T 为目标矢量

T=t

size(P)

size(T)

% size(P)

% size(T)

% 创建一个新的前向神经网络

net_1=newff(minmax(P),[10,3],{'tansig','purelin'},'traingdm')

% 当前输入层权值和阈值

inputWeights=net_1IW{1,1}

inputbias=net_1b{1}

% 当前网络层权值和阈值

layerWeights=net_1LW{2,1}

layerbias=net_1b{2}

% 设置训练参数

net_1trainParamshow = 50;

net_1trainParamlr = 005;

net_1trainParammc = 09;

net_1trainParamepochs = 10000;

net_1trainParamgoal = 1e-3;

% 调用 TRAINGDM 算法训练 BP 网络[net_1,tr]=train(net_1,P,T);

% 对 BP 网络进行仿真

A = sim(net_1,P);

% 计算仿真误差

E = T - A;

MSE=mse(E)

x=[014 0 1 1 0 1 1 12]';sim(net_1,x)

用matlab求预测一组数据的bp神经网络模型，可以分

1、给定已经数据，作为一个原始序列；

2、设定自回归阶数，一般2～3，太高不一定好；

3、设定预测某一时间段

4、设定预测步数

5、用BP自定义函数进行预测

6、根据预测值，用plot函数绘制预测数据走势图

其主要实现代码如下：

clc

% x为原始序列（行向量）

x=[20872 20569 2315 24278 23564 21841];

%x=[1014 1014 1019 1024 1019 1029];

%x=[140 137 112 125 213 43743];

t=1:length(x);

% 自回归阶数

lag=3;

%预测某一时间段

t1=t(end)+1:t(end)+5;

%预测步数为fn

fn=length(t1);

[f_out,iinput]=BP(x,lag,fn);

P=vpa(f_out,5);

A=[t1' P'];

disp('预测值')

disp(A)

% 画出预测图

figure(1),plot(t,iinput,'bo-'),hold on

plot(t(end):t1(end),[iinput(end),f_out],'rp-'),grid on

title('BP神经网络预测某地铁线路客流量')

xlabel('月号'),ylabel('客流量（百万）');

运行结果：

以上就是关于如何用MATLAB神经网络工具箱创建BP神经网络模型全部的内容，包括:如何用MATLAB神经网络工具箱创建BP神经网络模型、求一个4，8，1的bp神经网络模型的matlab代码、如何用matlab构建一个三层bp神经网络模型，用于预测温度。等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！