Question

MATLAB BP神经网络训练

P=[392,584,776,2713,3236,2783,2163;718,1043,1368,4318,5054,4483,3769];
T=[1.4404,1.4722,1.4753,1.497,1.7663,1.6807,1.7426];
net=newff(minmax(P),[3,1],{'tansig','purelin'},'traingdm');
net.trainParam.show = 50;
net.trainParam.lr = 0.05;
net.trainParam.mc = 0.9;
net.trainParam.epochs = 1000;
net.trainParam.goal = 1e-3;
[net,tr]=train(net,P,T);
A = sim(net,P)

得到A的结果全是一样的，是程序问题，还是数据问题？

Answer 1

你的程序训练完毕后根本就没达到目标误差，就是说训练效果不好，不能进行预测，只有训练结果好了才能预测仿真，你再改一下隐含层神经元数或者训练和传递函数试试吧~
另外输入层的值可以归一化也可以不归一化，归一化后在仿真之前要反归一化。

Answer 2

这是啥玩意？什么编程语言？
www.xxjsh.com

Answer 3

看了下程序没问题啊，单隐层的BP网络，应该是数据问题吧。。。

追问

好像数据归一化就可以，请问
P=[392,584,776,2713,3236,2783,2163;
718,1043,1368,4318,5054,4483,3769];
每行归一化，代码怎么写呢，谢谢~

Answer 4

1.初始权值不一样，如果一样，每次训练结果是相同的
2.是
3.在train之前修改权值，iw,lw,b，使之相同
4.取多次实验的均值
一点浅见，仅供参考
训练误差是否降到一定范围内，比如1e-3，
将训练样本回代结果如何，
训练样本进行了预处理，比如归一化，而测试样本未进行同样的处理
这样的归一化似有问题，我也认为“测试数据的归一化也用训练数据归一化时得出的min和max值”，
请参考这个帖子
http://www.ilovematlab.cn/thread-27021-1-1.html
测试数据带入训练好的神经网络误差当然不会达到1e-5，这是预测啊。
但将训练数据带入误差必然是1e-5，算法终止就是因为达到这个误差才终止，这个误差是由训练数据的输入、输出以及神经网络的权值、激活函数共同决定的，神经网络训练完后，权值、激活函数定了，同样的数据再代入神经网络，误差会不等于1e-5？
第二个问题：不可能每个值都达到1e-5，1e-5是mse（mean
square
error），它们的平方和除以总数再开方，mse（e）必为1e-5
另外，lm算法虽然训练最快，但是预测精度一般不好，不如gdm，gdx