BP神經網絡的運用?

輸入p=[-1 -1 2 2 ;0 5 0 5];

t=[-1 -1 2 2];

?然后生成與輸入輸出對應的神經網絡

net=newff(minmax(p),[3 1],{'tansing','perelin'},'traingd');

接下來設定網絡參數(shù)

net.p=trainParam.lr=0.05; ?學習速率

net.trainParam.epochs=300; ? ?迭代次數(shù)

net.trainParam.goal=1.0e-5; ? ? ? ? ? ?誤差最大值

[net tr]=train(net,p,t) ? 對神經網絡進行訓練

對值進行預測

y=sim(net,p)

1\traingd ?表示訓練方法 ?就是用什么方法迭代權值和偏置

2\改善的方法 ：有動量的梯度下降法 ? ? ? ? ? ? ? ? ? ? ? ? traingdm

3|可變學習速率的梯度下降法 ? ?traingda

4\彈性梯度下降法 ? ? ? ? ? ? ?trainrp

常用的傳遞函數(shù)是 ? logsig ? ? ? ?tansig ? ? ? ? ?purelin

?BP神經網絡 ?函數(shù)的逼近、

<span style="font-size:18px;"><span style="font-size:18px;">k=1; p=[0:0.05:4];t=sin(k*pi*p); plot(p,t,'-'); xlabel('時間‘）；ylabel('輸入信號’）； net=newff(minmax(p),[10 1],{'tansig','purelin'}，‘trainlm'); y1=sim(net,p); plot(p,t,'-','p,y1,'--'); </span></span>
如果效果不好 ?可以對神經網絡進行訓練、

net.trainParam.ir=0.05;

net.trainParam.epochs=300;

net.trainParam.goal=1.0e-5;

[net tr]=train(net,p,t);

回歸問題 ? ? ? 由于神經網絡可以對任意形狀的函數(shù)曲線進行擬合，所以BP神經網絡可以進行回歸

可以用于識別 ??

BP神經網絡對故障的檢測：

<span style="font-size:18px;">P11=[0.64 1.37 0.71 0.78]'; P12=[0.68 1.31 0.64 1.31]'; P21=[1.65 1.66 0.9 4.48]'; P22=[1.35 1.39 0.95 2.89]'; P31=[8.24 2.23 0.99 2]'; P41=[2.01 1.65 0.94 4.39]'; P51=[0.93 1.33 0.73 1.54]'; P=[P11 P12 P21 P22 P31 P41 P51];t11=[0 0 0 0]'; t12=[0 0 0 0]'; t21=[1 0 0 0]'; t22=[1 0 0 0]'; t31=[0 1 0 0]'; t41=[0 0 1 0]'; t51=[0 0 0 1]'; t=[t11 t12 t21 t22 t31 t41 t51];net=newff(minmax(P),[8,4],{'logsig','purelin'},'trainlm'), net.trainParam.show = 100, net.trainParam.epoch = 2000, net.trainParam.goal= 1e-3, [net,tr]=train(net,P,t),Ptest11=[0.64 1.37 0.71 0.78]'; Ptest12=[0.68 1.31 0.64 1.31]'; Ptest13=[0.91 1.35 0.75 1.59]'; Ptest14=[0.69 1.38 0.68 0.9]'; Ptest21=[3.89 2.01 0.88 20.1]'; Ptest22=[1.65 1.66 0.9 4.48]'; Ptest23=[1.35 1.39 0.95 2.89]'; Ptest31=[8.24 2.23 0.99 2]'; Ptest41=[2.01 1.65 0.94 4.39]'; Ptest51=[0.93 1.33 0.73 1.54]'; Ptest=[Ptest11 Ptest12 Ptest13 Ptest14 Ptest21 Ptest22 Ptest23 Ptest31 Ptest41 Ptest51];result_test = sim(net, Ptest)' </span>

總結

以上是生活随笔為你收集整理的BP神经网络（检测故障的实例）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。