基于Matlab的BP神经网络编程过程

(1)对样本集进行归一化
确定输入样本和输出样本，并对它们进行归一化，将输入和输出样本变换到（0.1，0.9）区间，由于Matlab的归一化函数premnmx把数据变换到（-1，1）之间，所以可使用自编premnmx2归一化函数。
(2)创建BP神经网络
在样本集确定之后，即可进行网络的结构设计，在Matlab中一般使用newff创建函数，它不但创建了网络对象，还自动初始化网络的权重和阈值。如果需要重新初始化网络权重和阈值，可以使用Init函数。
关键语句如下：
net＝newff（输入样本的取值范围，[网络各层的神经元数目]，{网络各层神经元的激活函数}，‘训练函数'，‘学习函数’，‘性能函数’）
一般选用三层BP网络，输入层、输出层的神经元个数根据具体情况确定，而隐层神经元个数目前多采用经验的方法确定。
(3)设置网络的训练参数
net.trainParam.epochs―最大收敛次数；
net.trainParam.goal―收敛误差；
net.trainParam.show―显示间隔；
以上在一般的神经网络训练中都有使用，如果使用Levenberg－Marquart优化算法进行训练，还需设置的参数有：
net.trainParam.mu―Levenberg－Marquart优化算法中的 
net.trainParam.mu_dec― 的缩减因子；
net.trainParam.mu_inc― 的增大因子；
net.trainParam.mu_max― 的最大值；
net.trainParam.min_grad―性能函数的最小梯度；
(4)训练BP网络
关键语句为：net=train（net,p,t）
(6)训练成功，相关结果输出。

[b]编程过程[/b]
下面是一个以 [i]LM优化算法[/i]为训练函数的BP神经网络：

[S0,Q]=size(P);      % P的行数必须为6
S1=7;       % 7个隐含层神经元个数
S2=2;       % 2个输出经元个数

%   BP神经网络训练参数设置
net=newff(minmax(P),[S1,S2],{'logsig','logsig'},'trainlm');
net.trainParam.epochs=200000;
net.trainParam.goal=1e-30;
net.trainParam.min_grad=1e-15;
net.trainParam.mu=10;
net.trainParam.mu_dec=0.2;
net.trainParam.mu_inc=1.2;
net.trainParam.mu_max=1e15;
net.trainParam.show=100;

%   训练神经网络
[net,tr]=train(net,P,T);