1、p=p1;t=t1; pn,minp,maxp,tn,mint,maxt=premnmx(p,t); %原始數據歸一化net=newff(minmax(pn),5,1,tansig,purelin,traingdx); %設置網絡,建立相應的BP網絡net.trainParam.show=2000; % 訓練網絡net.trainParam.lr=0.01;net.trainParam.epochs=100000;net.trainParam.goal=1e-5;net,tr=train(net ,pn,tn); %調用TRAINGDM算法訓練BP網絡pnew=pnew1; pnewn=tra

2、mnmx(pnew,minp,maxp);anewn=sim(net,pnewn); %對BP網絡進行仿真anew=postmnmx(anewn,mint,maxt); %還原數據y=anew;1、BP網絡構建（1）生成BP網絡：由維的輸入樣本最小最大值構成的維矩陣。：各層的神經元個數。：各層的神經元傳遞函數。：訓練用函數的名稱。（2）網絡訓練（3）網絡仿真tansig,purelin,trainrpBP網絡的訓練函數 訓練方法訓練函數梯度下降法traingd有動量的梯度下降法traingdm自適應lr梯度下降法traingda自適應lr動量梯度下降法traingdx彈性梯度下降法trainr

3、pFletcher-Reeves共軛梯度法traincgfPloak-Ribiere共軛梯度法traincgpPowell-Beale共軛梯度法traincgb量化共軛梯度法trainscg擬牛頓算法trainbfg一步正割算法trainossLevenberg-MarquardttrainlmBP網絡訓練參數訓練參數參數介紹訓練函數net.trainParam.epochs最大訓練次數（缺省為10）traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、t

4、rainlmnet.trainParam.goal訓練要求精度（缺省為0）traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlmnet.trainParam.lr學習率（缺省為0.01）traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlmnet.trainParam.max_fail最大失

5、敗次數（缺省為5）traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlmnet.trainParam.min_grad最小梯度要求（缺省為1e-10）traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlmnet.trainParam.show顯示訓練迭代過程（NaN表示不顯示，缺省為25）t

6、raingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlmnet.trainParam.time最大訓練時間（缺省為inf）traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlmnet.trainParam.mc動量因子（缺省0.9）traingdm、traingdxnet.trainParam.

7、lr_inc學習率lr增長比（缺省為1.05）traingda、traingdxnet.trainParam.lr_dec學習率lr下降比（缺省為0.7）traingda、traingdxnet.trainParam.max_perf_inc表現函數增加最大比（缺省為1.04）traingda、traingdxnet.trainParam.delt_inc權值變化增加量（缺省為1.2）trainrpnet.trainParam.delt_dec權值變化減小量（缺省為0.5）trainrpnet.trainParam.delt0初始權值變化（缺省為0.07）trainrpnet.trainPar

8、am.deltamax權值變化最大值（缺省為50.0）trainrpnet.trainParam.searchFcn一維線性搜索方法（缺省為srchcha）traincgf、traincgp、traincgb、trainbfg、trainossnet.trainParam.sigma因為二次求導對權值調整的影響參數（缺省值5.0e-5）trainscgnet.trainParam.lambdaHessian矩陣不確定性調節參數（缺省為5.0e-7）trainscgnet.trainParam.men_reduc控制計算機內存/速度的參量，內存較大設為1，否則設為2（缺省為1）trainlmne

9、t.trainParam.mu的初始值（缺省為0.001）trainlmnet.trainParam.mu_dec的減小率（缺省為0.1）trainlmnet.trainParam.mu_inc的增長率（缺省為10）trainlmnet.trainParam.mu_max的最大值（缺省為1e10）trainlm2、BP網絡舉例舉例1、%traingdclear;clc;P=-1 -1 2 2 4;0 5 0 5 7;T=-1 -1 1 1 -1;%利用minmax函數求輸入樣本范圍net = newff(minmax(P),T,5,1,tansig,purelin,trainrp);net.t

10、rainParam.show=50;%net.trainParam.lr=0.05;net.trainParam.epochs=300;net.trainParam.goal=1e-5;net,tr=train(net,P,T);net.iw1,1%隱層權值net.b1%隱層閾值net.lw2,1%輸出層權值net.b2%輸出層閾值sim(net,P)舉例2、利用三層BP神經網絡來完成非線性函數的逼近任務，其中隱層神經元個數為五個。樣本數據：輸入X輸出D輸入X輸出D輸入X輸出D-1.0000-0.9602-0.30000.13360.40000.3072-0.9000-0.5770-0.200

11、0-0.20130.50000.3960-0.8000-0.0729-0.1000-0.43440.60000.3449-0.70000.37710-0.50000.70000.1816-0.60000.64050.1000-0.39300.8000-0.3120-0.50000.66000.2000-0.16470.9000-0.2189-0.40000.46090.3000-0.09881.0000-0.3201解：看到期望輸出的范圍是，所以利用雙極性Sigmoid函數作為轉移函數。程序如下：clear;clc;X=-1:0.1:1;D=-0.9602 -0.5770 -0.0729 0.

12、3771 0.6405 0.6600 0.4609. 0.1336 -0.2013 -0.4344 -0.5000 -0.3930 -0.1647 -.0988. 0.3072 0.3960 0.3449 0.1816 -0.312 -0.2189 -0.3201;figure;plot(X,D,*); %繪制原始數據分布圖（附錄：1-1）net = newff(-1 1,5 1,tansig,tansig);net.trainParam.epochs = 1000; %訓練的最大次數net.trainParam.goal = 0.005; %全局最小誤差net = train(net,X,D

13、); O = sim(net,X); figure; plot(X,D,*,X,O); %繪制訓練后得到的結果和誤差曲線（附錄：1-2、1-3）V = net.iw1,1;%輸入層到中間層權值theta1 = net.b1;%中間層各神經元閾值W = net.lw2,1;%中間層到輸出層權值theta2 = net.b2;%輸出層各神經元閾值所得結果如下：輸入層到中間層的權值： 中間層各神經元的閾值： 中間層到輸出層的權值： 輸出層各神經元的閾值：舉例3、利用三層BP神經網絡來完成非線性函數的逼近任務，其中隱層神經元個數為五個。樣本數據：輸入X輸出D輸入X輸出D輸入X輸出D0044821153

14、9322621043371解：看到期望輸出的范圍超出，所以輸出層神經元利用線性函數作為轉移函數。程序如下：clear; clc;X = 0 1 2 3 4 5 6 7 8 9 10;D = 0 1 2 3 4 3 2 1 2 3 4;figure;plot(X,D,*); %繪制原始數據分布圖net = newff(0 10,5 1,tansig,purelin)net.trainParam.epochs = 100;net.trainParam.goal=0.005;net=train(net,X,D);O=sim(net,X);figure;plot(X,D,*,X,O); %繪制訓練后得

15、到的結果和誤差曲線（附錄：2-2、2-3）V = net.iw1,1%輸入層到中間層權值theta1 = net.b1%中間層各神經元閾值W = net.lw2,1%中間層到輸出層權值theta2 = net.b2%輸出層各神經元閾值所得結果如下：輸入層到中間層的權值：中間層各神經元的閾值： 中間層到輸出層的權值： 輸出層各神經元的閾值：問題：以下是上證指數2009年2月2日到3月27日的收盤價格，構建一個三層BP神經網絡，利用該組信號的6個過去值預測信號的將來值。日期價格日期價格2009/02/022011.6822009/03/022093.4522009/02/032060.812200

16、9/03/032071.4322009/02/042107.7512009/03/042198.1122009/02/052098.0212009/03/052221.0822009/02/062181.2412009/03/062193.0122009/02/092224.7112009/03/092118.7522009/02/102265.1612009/03/102158.5722009/02/112260.8222009/03/112139.0212009/02/122248.0922009/03/122133.8812009/02/132320.7922009/03/132128.

17、8512009/02/162389.3922009/03/162153.2912009/02/172319.4422009/03/172218.3312009/02/182209.8622009/03/182223.7312009/02/192227.1322009/03/192265.7612009/02/202261.4822009/03/202281.0912009/02/232305.7822009/03/232325.4812009/02/242200.6522009/03/242338.4212009/02/252206.5722009/03/252291.5512009/02/2

18、62121.2522009/03/262361.7012009/02/272082.8522009/03/272374.44load data3_1.txt;m,n=size( data3_1); tsx = data3_1(1:m-1,1);tsx=tsx;ts = data3_1(2:m,1);ts=ts;TSX,TSXps=mapminmax(tsx,1,2);TS,TSps=mapminmax(ts,1,2);TSX=TSX; figure;plot(ts,LineWidth,2);title(到杭旅游總人數(1999.01.01-2009.12.31),FontSize,12);xlabel(統計年份(1990.12.19-2009.08.19),FontSize,12);ylabel(歸一化后的總游客數/萬人,FontSize,12);grid on; % 生成BP網絡、利用minmax函數求輸入樣本范圍net_1=newff(minmax(TS),10,1,tansig,purelin,traincgf) % 設置訓練參數net_1.trainParam.show = 50; %顯示訓練迭代過程（NaN表示不顯示，缺省25）net_1.trainParam.l