RBF神经网络编程结果图中为何显示的是BP训练

你在编写BP神经网络程序时肯定是设定了训练闷让次数或者结束训练条件的，BP算法的训练具有随机性，耽叮槽顾噩该茶双偿晶所以达到结束者罩碧条首举件的时间或训练次数一般是不同的。如果每次训练次数相同的话，训练结果可信程度极小，建议增大训练次数数值！

BP的余慎:

p=1:10

t=cos(p)

SamNum=10

TextNum=10

ForcastNum=10

HiddenNum=8

InDim=1

OutDim=1

[SamIn,ss]=mapminmax(p)p

[tn,ts]=mapminmax(t)t

rand('state'察毁租,sum(100*clock))

NoiseVar=0.01Noise=NoiseVar*randn(1,SamNum)

SamOut=tn+Noise

TestSamIn=SamIn

TestSamOut=SamOut

MaxEpochs=10000

lr=0.035

E0=0.65*10^(-3)

W1=0.5*rand(HiddenNum,InDim)-0.1

B1=0.5*rand(HiddenNum,1)-0.1

W2=0.5*rand(OutDim,HiddenNum)-0.1

B2=0.5*rand(OutDim,1)-0.1

ErrHistory=[]

for i=1:MaxEpochs

HiddenOut=logsig(W1*SamIn+repmat(B1,1,SamNum))

NetworkOut=W2*HiddenOut+repmat(B2,1,SamNum)

Error=SamOut-NetworkOut

SSE=sumsqr(Error)

ErrHistory=[ErrHistory SSE]

if SSE<败兆E0,break,end

Delta2=Error

Delta1=W2'*Delta2.*HiddenOut.*(1-HiddenOut)

dW2=Delta2*HiddenOut'

dB2=Delta2*ones(SamNum,1)

dW1=Delta1*SamIn'

dB1=Delta1*ones(SamNum,1)

W2=W2+lr*dW2

B2=B2+lr*dB2

W1=W1+lr*dW1

B1=B1+lr*dB1

end

ErrHistory

HiddenOut=logsig(W1*SamIn+repmat(B1,1,TextNum))HiddenOut

NetworkOut=W2*HiddenOut+repmat(B2,1,TextNum)NetworkOut

a=postmnmx(NetworkOut,ts.xmin,ts.xmax)

figure

plot(p,a,'r-o')

clear all

clc %清除命令窗口

load Data-Ass2

d=data' %求转置

dat=d(1:2500,1:2)

labels=d(1:2500,3)

inputNums=2%输入层节点

outputNums=1%输出层节点 许多情况下直接用1表示

hideNums=10%隐层节点数

maxcount=1000%最大迭代次数

samplenum=2500%一个计数器，无意义

precision=0.001%预设精度

alpha=0.01%学习率设定值

a=0.5%BP优化算法的一个设定值，对上组训练的调整陵行值按比例修改

error=zeros(1,maxcount+1)%error数组初始化；目的是预分配内存空间

errorp=zeros(1,samplenum)%同上

w=rand(hideNums,outputNums)%10*3w表隐层到输出层的权值

%求聚类中心

[Idx,C]=kmeans(dat,hideNums)

%X 2500*2的数据矩阵

%K 表示将X划分为几类

%Idx 2500*1的向量，存储的是每个点的聚类标号

%C 10*2的矩阵，存储的是K个聚类质心位置

%求扩展常数

dd=zeros(1,10)

for i=1:10

dmin=10000

for j=1:10

ddd=(C(i,1)-C(j,1))^2+(C(i,2)-C(j,2))^2

if(ddd<dmin&&i~=j)

dmin=ddd

end

end

dd(i)=dmin

end

%b为进行计算后隐含层的输入矩阵

b=zeros(2500,10)

for i=1:2500

for j=1:10

b(i,j)=exp( -( (dat(i,1)-C(j,1))^2+(dat(i,2)-C(j,2))^2 )/(2*dd(j)) )%dd为扩展常数

end

end

count=1

while (count<=maxcount) %结束条件1迭尺搭哗代1000次

c=1

while (c<=samplenum)%对于每个样本输入，计算输出，进行一次BP训练，samplenum为2500

%o输出的值

double o

o=0.0

for i=1:hideNums

o=o+b(c,i)*w(i,1)

end

%反馈/修改

errortmp=0.0

errortmp=errortmp+(labels(c,1)-o)^2% 第一组训练后的误差计算

errorp(c)=0.5*errortmp

yitao=labels(c,1)-o%输出层误差

for i=1:hideNums %调节到每个隐藏点到输出点的权重

w(i,1)=w(i,1)+alpha*yitao*b(c,i)%权值调整

end

c=c+1%输入下一个样本数据

end %第二个while结束；表示一次训练结束

%求最后一次迭代的误差

double tmp

tmp=0.0%字串8

for i=1:samplenum

tmp=tmp+errorp(i)*errorp(i)%误差求和

end

tmp=tmp/c

error(count)=sqrt(tmp)%求迭代第count轮的误差求均方根,即精度

if (error(count)<precision)%另一个结束条件

break

end

count=count+1%训练枝哗次数加1

end

%测试

test=zeros(500,10)

for i=2501:3000

for j=1:10

test(i-2500,j)=exp( -( (d(i,1)-C(j,1))^2+(d(i,2)-C(j,2))^2 )/(2*dd(j)) )%dd为扩展常数

end

end

count=0

for i=2501:3000

net=0.0

for j=1:hideNums

net=net+test(i-2500,j)*w(j,1)

end

if( (net>0&&d(i,3)==1) || (net<=0&&d(i,3)==-1) )

count=count+1

end

end

---