一个BP的完整建模流程及代码(新方式)

clear all;
close all ;
%================原始数据====================
x1 = linspace(-3,3,100);     % 在[-3，3]之间线性生成100个数据
x2 = linspace(-2,1.5,100);   % 在[-2，1.5]之间线性生成100个数据
X  = [x1;x2];                          % 将x1,x2作为输入数据
y = 10*sin(x1)+0.2*x2.*x2;   % 生成y
setdemorandstream(88);       % 老饼为了每次运行的结果一致设定随机种子，实际中可以去掉
%==============网络训练 ============================
%使用用输入输出数据（X,y）建立网络，
%隐节点个数设为3.其中输入层到隐层、隐层到输出层的节点分别为tansig和purelin，使用trainlm方法训练。
net = newff(X,y,3,{'tansig','purelin'},'trainlm');
%设置一些常用关键参数
net.trainparam.goal = 0.00001;    % 训练目标：均方误差低于0.0001
net.trainparam.show = 400;        % 每训练400次展示一次结果
net.trainparam.epochs = 15000;    % 最大训练次数：15000.
net.divideParam.trainRatio=0.7;   % 用于训练的数据比例
net.divideParam.valRatio=0.15 ;   % 用于验证过拟合的数据比例
net.divideParam.testRatio=0.15;   % 用于比例
net.trainparam.max_fail =6;       % 过拟合验证失败次数

[net,tr,net_y] = train(net,X,y);  % 调用matlab神经网络工具箱自带的train函数训练网络y，net返回

% ===========画图==================================
figure
subplot(2,1,1);
title('训练数据的拟合效果')
hold on 
plot(1:length(tr.trainInd),y(tr.trainInd),'b')
plot(1:length(tr.trainInd),net_y(tr.trainInd),'r')

subplot(2,1,2);
title('测试数据的拟合效果')
hold on 
plot(1:length(tr.testInd),y(tr.testInd),'b')
plot(1:length(tr.testInd),net_y(tr.testInd),'r')

%=============网络对新输入的使用==========================
sim_y = sim(net,X);               % 实际与上面的net_y一致

三、模型的提取流程

训练完后，如果需要提取权重和阈值，则也需要三个步骤：

1、提取网络的权重阈值WB
2、提取网络的输入输出阈值
3、将网络的权重阈值反归一化

四、模型提取的代码

模型提取代码如下(代码续训练代码)：

% %----------------------提取表达式（对应归一化数据）------------------------------------
% 提取权重WB
w12 = net.iw{1,1};                          % 第1层（输入层）到第2层（隐层）的权值
b2 = net.b{1};                              % 第2层（隐层）的神经元阈值
w23 = net.lw{2,1};                          % 第2层（输入层）到第3层（输出层）的权值
b3 = net.b{2};                              % 第3层（输出层）的神经元阈值
% 提取输入输出范围
iMin = net.inputs{1}.range(:,1);
iMax = net.inputs{1}.range(:,2);
oMin =  net.outputs{2}.range(:,1);
oMax =  net.outputs{2}.range(:,2);

% 将网络的WB反归一化
W12 = w12 * 2 ./repmat(iMax' -iMin',size(w12,1),1);
B2  = -w12* (2*iMin ./(iMax - iMin) + 1) + b2;
W23 = w23 .*repmat((oMax -oMin),1,size(w23,2))/2;
B3  = (oMax -oMin) .*b3 /2 + (oMax -oMin)/2 + oMin;
% 最后的验证按表达式计算与用工具箱计算的差异
formula_sim_y = W23*tansig( W12 *X + repmat(B2,1,size(X,2))) + repmat(B3,1,size(X,2));
formula_err = max(max(abs(formula_sim_y - sim_y)));

五、一些个性化操作

1、自留测试数据

如果需要自己留测试数据，则自留测试数据，再把其余数据投入网络训练，并把测试占比改为0，训练与检验占比和改为1即可：

net.divideParam.trainRatio=0.85;   % 用于训练的数据比例
net.divideParam.valRatio=0.15 ;   % 用于验证过拟合的数据比例
net.divideParam.testRatio=0;      % 用于比例

这样需要自己把测试数据投入sim函数中获取预测结果。

2、不作泛化检验

net.divideParam.trainRatio=0.85;   % 用于训练的数据比例
net.divideParam.valRatio=0 ;   % 用于验证过拟合的数据比例
net.divideParam.testRatio=0.15;      % 用于比例

相关文章

《BP神经网络梯度推导》

《BP神经网络提取的数学表达式》

《一个BP的完整建模流程》

文章出处登录后可见！

已经登录？立即刷新

一个BP的完整建模流程及代码(新方式)

一、建模的步骤

二、建模代码

三、模型的提取流程

四、模型提取的代码

五、一些个性化操作

相关推荐