Question

MATLAB进行人工神经网络拟合求助

现有一种合金由A,B,C三种元素及杂质组成
测试5次
A百分含量 [7.1 7.0 6.9 6.8 7.2]
B百分含量 [3.2 3.4 3.6 3.8 4.0]
C百分含量 [2.5 2.9 3.1 2.6 2.2]
测试结果：硬度[78 65 78 69 72]

想用BP神经网络进行拟合，得到5个预测结果，然后和实测的硬度进行比较。
请高手教教我，用MATLAB的

Answer 1

tic; %计时开始
clc; %清屏
clear all; %清除所有变量
disp('输入层神经元个数： 3'); %显示输入层神经元个数
input=3;
disp('中间层神经元个数： 3'); %显示中间层神经元个数
middle=3;
disp('输出层神经元个数： 1'); %显示输出层神经元个数
output=1;
disp('输入模式1 2 3及其对应的输出：');
x1=[7.1 3.2 2.5];
x2=[7.0 3.4 2.9];
x3=[6.9 3.6 3.1];
x4=[6.8 3.8 2.6];
x5=[7.2 4.0 2.2];
y1=78;y2=65;y3=78;y4=69;y5=72;
disp('形成一张供调用的向量表：');
X=[x1;x2;x3;x4;x5]; %x1,x2,x3,x4,x5向量表
X=X/10;
Yo=[y1;y2;y3;y4;y5]; %y1,y2,y3,y4,y5向量表
Yo=Yo/100;
disp('初始化连接权矩阵：');
w=zeros(input,middle); %输入层与中间层的连接权
v=zeros(middle,output); %中间层与输出层的连接权
th1=zeros(1,middle); %中间层的阈值
th2=zeros(1,output); %输出层的阈值
out_middle=zeros(1,middle); %中间层的实际输出
out_output=zeros(1,output); %输出层的实际输出
delta_output=zeros(1,output); %输出层的差值
delta_middle=zeros(1,middle); %中间层的差值

disp('显示初始化连接权矩阵w：');
w=rands(input,middle); %初始化连接权矩阵w(i,j)
disp(w); %显示初始化连接权矩阵w(i,j)

disp('显示初始化连接权矩阵v：');
v=rand(middle,output); %初始化连接权矩阵v(j,t)
disp(v); %显示初始化连接权矩阵v(j,t)

disp('中间层阈值矩阵th1：');
th1=rand(1,middle); %初始化中间层阈值矩阵th1
disp(th1); %显示中间层阈值矩阵th1
disp('中间层阈值矩阵th2：');
th2=rand(1,output); %初始化输出层阈值矩阵th2
disp(th2); %显示中间层阈值矩阵th2

sample_bumbers=5; %样本数
max_times=10000; %最大训练次数
times=0; %训练次数
eta=0.1; %学习系数eta
gamma=0.1; %学习系数gamma

sample_pointer=0; %样本数指针
error=0.02; %误差
error_max=0.01; %最大误差

for times=1:max_times %begin for External Loop
if error>error_max
for sample_pointer=1:sample_bumbers
X0=X(sample_pointer,:);
Y0=Yo(sample_pointer,:);
Y=X0*w;

%计算中间层的输出：
Y=Y-th1;
for j=1:middle
out_middle(j)=1/(1+exp(-Y(j)));
end

%计算输出层输出：
Y=out_middle*v;
Y=Y-th2;
for k=1:output %k=1:3
out_output(k)=1/(1+exp(-Y(k)));
end
error=(Y0(k)-out_output(k))*(Y0(k)-out_output(k))/2;

%计算输出层校正误差delta_output：
for k=1:output %k=1:3
delta_output(k)=(Y(k)-out_output(k))*out_output(k)*(1-out_output(k));

end

%计算中间层校正误差delta_middle：
for k=1:output %k=1:3
xy=delta_output*v';

delta_middle=xy*out_middle'*(1-out_middle);
end
%计算下一次的中间层和输出层之间的连接权v(j,k)，阈值th2(k)
for k=1:output;
for j=1:middle
v(j,k)=v(j,k)+eta*delta_output(k)*out_middle(j);
end
th2(k)=th2(k)+eta*delta_output(k);
end

%计算下一次的输入层和中间层之间的连接权w(i,j)，阈值th1(j)
for j=1:middle;
for i=1:input
w(i,j)=w(i,j)+gamma*X0(i)*delta_middle(j);
end
th1(j)=th1(j)+gamma*delta_middle(j);
end
end %end for if
else
break;
end %end for else
end %end for External Loop

disp('显示结果：');
disp('训练次数times:');disp(times);
disp('输出权值w');disp(w);
disp('输出权值v');disp(v);
disp('全局误差error:');disp(error);
disp('运行结束了！');
toc; %计时结束，并输出程序的运行时间
输出结果为：
输入层神经元个数： 3
中间层神经元个数： 3
输出层神经元个数： 1
输入模式1 2 3及其对应的输出：
形成一张供调用的向量表：
初始化连接权矩阵：
显示初始化连接权矩阵w：
0.5695 -0.6483 -0.6946
-0.0573 0.4435 -0.3178
-0.9285 -0.0530 0.2148

显示初始化连接权矩阵v：
0.1917
0.7384
0.2428

中间层阈值矩阵th1：
0.9174 0.2691 0.7655

中间层阈值矩阵th2：
0.1887

显示结果：
训练次数times:
6

输出权值w
0.5376 -0.6779 -0.7311
-0.0736 0.4283 -0.3365
-0.9406 -0.0643 0.2009

输出权值v
0.1328
0.6708
0.2027

全局误差error:
0.0097

运行结束了！
Elapsed time is 0.263732 seconds.