BP神經網絡是最基本、最常用的神經網絡，Matlab有專用函數來建立、訓練它，主要就是newff()、train()、sim()這三個函數

BP神經網絡算法提供了一種普遍并且實用的方法從樣例中學習值為實數、離散值或者向量的函數，這里就簡單介紹一下如何用MATLAB編程實現該算法。

方法

這里以一個普遍實用的簡單案例為例子進行編程的說明。

額。。。 一種啟發式的改進就是，為學習速率選用自適應值，它依賴于連續迭代步驟中的誤差函數值。 自適應調整學習速率的梯度下降算法,在訓練的過程中,力圖使算法穩定,同時又使學習的步長盡量地大,學習速率則是根據局部誤差曲面作出相應的調整。

假設一組x1,x2,x3的值對應一個y值，有2000組這樣的數字，我們選擇其中1900組x1,x2,x3和y作為樣本，其余100組x1,x2,x3作為測試數據來驗證。

1.初始權值不一樣，如果一樣，每次訓練結果是相同的 2.是 3.在train之前修改權值，IW,LW,b，使之相同 4.取多次實驗的均值 一點淺見，僅供參考

首先需要讀取這些數據，并把數據賦值給input 和 output 。

clear; %輸入數據矩陣 p1=zeros(1,1000); p2=zeros(1,1000); for i=1:1000 p1(i)=rand; p2(i)=rand; end p=[p1;p2]; %目標（輸出）數據矩陣 t = cos(pi*p1)+sin(pi*p2); %對訓練集中的輸入數據矩陣和目標數據矩陣進行歸一化處理 [pn, inputStr]

我是把數據存儲在excel表中，所以用xlsread函數來讀取數據。讀取出來的數據是2000*4的矩陣。

matlab中BP神經網絡的訓練算法(traingd)與學習算法(learngd)的具體關系? 兩者有什么區別?如何共同實現神經網絡的訓練的? 兩者有什么區別?如何共同實現神經網絡的

將樣本數據進行歸一化處理。

lr=0.05; %lr為學習速率； err_goal=0.1; %err_goal為期望誤差最小值 max_epoch=15000; %max_epoch為訓練的最大次數； a=0.9; %a為慣性系數 Oi=0; Ok=0; %置隱含層和輸出層各神經元輸出初值為0 這些初始參數是誰提供給你? 調整一下這些參數看看.

初始化網絡結果，設置參數，并用數據對網絡進行訓練。

第0節、引例 本文以Fisher的Iris數據集作為神經網絡程序的測試數據集。Iris數據集可以在http://en.wikipedia.org/wiki/Iris_flower_data_set 找到。這里簡要介紹一下Iris數據集： 有一批Iris花，已知這批Iris花可分為3個品種，現需要對其進行分

newff函數是給出了最簡單的設置，即輸入樣本數據，輸出樣本數據和隱含層節點數；epochs是設置迭代次數；lr是設置學習率；goal是設置目標值。

如果你的式子寫對了，那出來的結果肯定和sim函數輸出的結果是一樣的。 % 計算S1與S2層的輸出A1=tansig(W1*p,B1);A2=purelin(W2*A1,B2);隱層為tansig函數，輸出層簡單的線性相加，再附上閾值，不可能會錯的。sim函數的原理也就是如此。

設置好參數，需要將預測數據進行歸一化處理，然后將預測結果輸出，并將輸出的結果進行反歸一化處理，神經網絡就完成了。BPoutput為預測結果。

你提供的代碼是一個基本的BP神經網絡訓練過程。一般都是用GA訓練，之后再用改進動量法繼續訓練，直至最后達到目標。 遺

程序運行時顯示的網絡結構和運行過程如下圖。

使用神經網絡工具箱可以非常簡便地實現網絡建立和訓練，實例代碼如下： %% BP算法function Out=bpnet(p,t,p_test)%p,t為

如果以后需要用到已訓練好的網絡可以把訓練好的網絡儲存起來，下次可以直接進行預測，具體方法見下圖。

如果你的式子寫對了，那出來的結果肯定和sim函數輸出的結果是一樣的。 % 計算S1與S2層的輸出A1=tansig(W1*p,B1);A2=purelin(W2*A1,B2);隱層為tansig函數，輸出層簡單的線性相加，再附上閾值，不可能會錯的。sim函數的原理也就是如此。

擴展閱讀，以下內容您可能還感興趣。

matlab遺傳算法改進bp神經網絡

你提供的代碼是一個基本的BP神經網絡訓練過程。一般都是用GA訓練，之后再用改進動量法繼續訓練，直至最后百達到目標。

遺傳算法（Genetic Algorithm）是模擬達爾文生物進化論的自然選擇和遺傳學機理的生物進化過程的計算模型，是一種通過模擬自然進化過程搜索最優解的方法。遺傳算法是從代表問題可能潛在的解集的一個種群（度population）開始的，而一個種群則由經過基因（gene）編碼的一定數目的個體(individual)組成。每個個體實際上是染色體(chromosome)帶有特征的實體。染色體作為遺傳物質的主要載體，即多個基因的集合，其內部表現（即基因型）是某種基因組合，它決定了個體的形狀的外部表現，如黑頭發的特征是由染色體中控制這一特征的某種基因組合決定的。