Z%H2?p S'v
g
2t要求三行，net = newff(threshold,,{'tansig' 'purelin'});，这是你那个m指定的
这为仁兄说的对,既然你写了threshlod=那就说明你的向量p的值在0和1直接,换句话讲是数据做过归一化处理了.所以在这里用minmax(p)是最好的了!~ 其实楼上的好意我知道，也明白你的意思。
上次你给我说了以后，我就在站内搜索了一下关于BP网络的主题问题。
把那些帖子都看了一遍，还是没能明白这个网络的内部训练过程。
我用的时候也就是直接用那些工具箱函数，从心里总怀疑其结果的正确性！
原来我建立网络就是直接用initff和trainbpx来训练的，可command窗口一直出现警告语句，
我就按你的建议，用newff来建立网络，可就是还是不清楚网络是怎么具体来训练样本了，
因为建立的网络，我都不知道具体的权值是多少了，也就无法明白具体的网络结构了。
可能我这么说，你会笑我这么不懂网络。我对网络的具体算法过程明白，要是自己能写出
算法过程就好了，可自己没这个时间了。
这些东西我是为了毕业用的，也就用这么一点。还想问一个问题：
我的训练输入数据实60*3的话，矩阵的每一列都代表一个变量。我想让网络把这个输入当成60个样本，3个输入节点来输入每一个样本的三个变量；输出也是60*3的矩阵，每一列同样对应的原来的变量。建立3*12*3这样的网络，是按我的想法来训练的吗？
就这点我一直不明白，参照的网络，原来是10*15的输入矩阵，可仿真的时候，仿真数据成了15*1的矩阵，我不明白到底网络是怎么把数据训练和输出的？
说了这么多，可能还是我不明白或我太死板，总想知道网络内部是怎么训练的。希望大虾多多讨论，赐教我这个初学者！ 输入n行m列说明输入层有n个神经元，共有m组输入样本，如果你的输出层神经元有s个的话，输出的就是s行m列数据。所以一般仿真的时候应该输入的是n行的数组。
网络内部如何训练要看你用的具体什么训练函数啊。如trainbpx就是带动量的自适应变步长学习法，是基于BP算法的。 非常感谢楼上！谢谢！
我就是不明白，觉得好乱。自己却越问越乱！
上次我自己写的网络，训练函数就是trainbpx，可总出现警告语句，
有位仁者指点说语句与matlab版本不符，就改了语句。自己本
来就不怎么懂，搞的更糊涂了。
非常感谢楼上！ 已修改
P=[0.1452 0.1466 0.1314 0.2243 0.3523 0.4642 0.5015 0.6981 0.7821 0.8345 0.9649 1.156 0.2415 0.3027 0;
0.1217 0.1581 0.1408 0.2304 0.3143 0.4312 0.5819 0.7125 0.8065 0.8647 0.9726 1.132 0.2385 0.3125 0;
0.1525 0.1627 0.1507 0.2406 0.3502 0.4636 0.5051 0.7352 0.8459 0.8915 0.9654 1.156 0.2216 0.2701 1;
0.1016 0.1105 0.1234 0.1978 0.3021 0.4232 0.5819 0.6952 0.8015 0.8725 0.9825 1.095 0.2352 0.2506 0.5;
0.1115 0.1201 0.1312 0.2019 0.3532 0.4736 0.5029 0.7032 0.8189 0.8619 0.9365 1.125 0.2542 0.3125 0;
0.1335 0.1322 0.1534 0.2214 0.3623 0.4827 0.5198 0.7276 0.8359 0.8906 0.9592 1.143 0.2601 0.3198 0;
0.1368 0.1432 0.1653 0.2205 0.3823 0.4971 0.5136 0.7129 0.8263 0.8953 0.9891 1.137 0.2579 0.3099 0;
0.1342 0.1368 0.1602 0.2131 0.3726 0.4822 0.5101 0.7098 0.8127 0.8921 0.9995 1.126 0.2301 0.2867 0.5;
0.1113 0.1212 0.1305 0.1819 0.3952 0.4312 0.5886 0.6898 0.7999 0.8423 0.9721 1.095 0.2234 0.2799 1;
0.1005 0.1121 0.1207 0.1605 0.3556 0.4022 0.5553 0.6673 0.7798 0.8623 0.9521 1.087 0.2314 0.2977 0]';
T=[0.1217 0.1581 0.1408 0.2304 0.3143 0.4312 0.5819 0.7125 0.8265 0.8847 0.9826 1.132;
0.1525 0.1627 0.1507 0.2406 0.3502 0.4636 0.5051 0.7352 0.8459 0.8915 0.9464 1.156;
0.1016 0.1105 0.1234 0.1978 0.3021 0.4232 0.5819 0.6952 0.8015 0.8825 0.9825 1.102;
0.1115 0.1201 0.1312 0.2019 0.3532 0.4736 0.5029 0.7032 0.8189 0.8919 0.9965 1.125;
0.1335 0.1322 0.1534 0.2214 0.3623 0.4827 0.5198 0.7276 0.8359 0.8506 0.9892 1.123;
0.1368 0.1432 0.1653 0.2205 0.3823 0.4971 0.5136 0.7129 0.8263 0.8953 0.9691 1.117;
0.1342 0.1368 0.1602 0.2131 0.3726 0.4822 0.5101 0.7098 0.8127 0.8921 0.9995 1.126;
0.1113 0.1212 0.1305 0.1819 0.3952 0.4312 0.5886 0.6898 0.7999 0.8323 0.9721 1.156;
0.1005 0.1121 0.1207 0.1605 0.3556 0.4022 0.5553 0.6673 0.7798 0.8623 0.9521 1.156;
0.1123 0.1257 0.1343 0.2079 0.3579 0.4716 0.5459 0.7145 0.8205 0.8901 0.9419 1.136]';
net=newff(minmax(p),,{'tansig','logsig'},'trainscg','learngdm');%新建BP神经网络
net.trainParam.epochs=1000;%bp网络训练次数
net.trainParam.goal=0.002;%网络训练目标
net.trainParam.lr=0.01;%网络学习速率
=train(net,P,T);%训练网络
a=sim(net,p);
a
pause
figure(2)
P_test=';%网络输入数据
Out=sim(net,P_test)%网络仿真
X=;%实际测得数据
t=1:1:12;
box off;
grid off;
plot(t,Out,'b',t,X,'r')%画出二维图形
你最好是把输入和输出做一下归一化处理
[ 本帖最后由 binghe79 于 2006-9-5 13:48 编辑 ]
页:
1
[2]