% BP 神經(jīng)網(wǎng)絡(luò)用于函數(shù)擬合　
% 使用平臺(tái) - Matlab6.5
% 作者：陸振波，海軍工程大學(xué)
% 歡迎同行來信交流與合作，更多文章與程序下載請(qǐng)?jiān)L問我的個(gè)人主頁
% 電子郵件：luzhenbo@yahoo.com.cn
% 個(gè)人主頁：http://luzhenbo.88uu.com.cn


clc
clear
close all

%---------------------------------------------------
% 產(chǎn)生訓(xùn)練樣本與測(cè)試樣本

P1 = 1:2:200;                   % 訓(xùn)練樣本，每一列為一個(gè)樣本
T1 = sin(P1*0.1);               % 訓(xùn)練目標(biāo)

P2 = 2:2:200;                   % 測(cè)試樣本，每一列為一個(gè)樣本
T2 = sin(P2*0.1);               % 測(cè)試目標(biāo)

%---------------------------------------------------
% 歸一化

[PN1,minp,maxp,TN1,mint,maxt] = premnmx(P1,T1);
PN2 = tramnmx(P2,minp,maxp);
TN2 = tramnmx(T2,mint,maxt);

%---------------------------------------------------
% 設(shè)置網(wǎng)絡(luò)參數(shù)

NodeNum = 20;                   % 隱層節(jié)點(diǎn)數(shù) 
TypeNum = 1;                    % 輸出維數(shù)

TF1 = 'tansig';TF2 = 'purelin'; % 判別函數(shù)(缺省值)
%TF1 = 'tansig';TF2 = 'logsig';
%TF1 = 'logsig';TF2 = 'purelin';
%TF1 = 'tansig';TF2 = 'tansig';
%TF1 = 'logsig';TF2 = 'logsig';
%TF1 = 'purelin';TF2 = 'purelin';

net = newff(minmax(PN1),[NodeNum TypeNum],{TF1 TF2});

%---------------------------------------------------
% 指定訓(xùn)練參數(shù)

% net.trainFcn = 'traingd';  % 梯度下降算法
% net.trainFcn = 'traingdm'; % 動(dòng)量梯度下降算法
% 
% net.trainFcn = 'traingda'; % 變學(xué)習(xí)率梯度下降算法
% net.trainFcn = 'traingdx'; % 變學(xué)習(xí)率動(dòng)量梯度下降算法 
%
% (大型網(wǎng)絡(luò)的首選算法)
% net.trainFcn = 'trainrp';  % RPROP(彈性BP)算法,內(nèi)存需求最小 
% 
% 共軛梯度算法 
% net.trainFcn = 'traincgf'; % Fletcher-Reeves修正算法
% net.trainFcn = 'traincgp'; % Polak-Ribiere修正算法,內(nèi)存需求比Fletcher-Reeves修正算法略大
% net.trainFcn = 'traincgb'; % Powell-Beal復(fù)位算法,內(nèi)存需求比Polak-Ribiere修正算法略大
% (大型網(wǎng)絡(luò)的首選算法)
%net.trainFcn = 'trainscg'; % Scaled Conjugate Gradient算法,內(nèi)存需求與Fletcher-Reeves修正算法相同,計(jì)算量比上面三種算法都小很多 
% 
% net.trainFcn = 'trainbfg'; % Quasi-Newton Algorithms - BFGS Algorithm,計(jì)算量和內(nèi)存需求均比共軛梯度算法大,但收斂比較快
% net.trainFcn = 'trainoss'; % One Step Secant Algorithm,計(jì)算量和內(nèi)存需求均比BFGS算法小,比共軛梯度算法略大
% 
% (中型網(wǎng)絡(luò)的首選算法)
net.trainFcn = 'trainlm';  % Levenberg-Marquardt算法,內(nèi)存需求最大,收斂速度最快
%
% net.trainFcn = 'trainbr';  % 貝葉斯正則化算法
%
% 有代表性的五種算法為:'traingdx','trainrp','trainscg','trainoss', 'trainlm'

%---------------------%

net.trainParam.show = 20;          % 訓(xùn)練顯示間隔
net.trainParam.lr = 0.3;            % 學(xué)習(xí)步長(zhǎng) - traingd,traingdm
net.trainParam.mc = 0.95;           % 動(dòng)量項(xiàng)系數(shù) - traingdm,traingdx
net.trainParam.mem_reduc = 1;      % 分塊計(jì)算Hessian矩陣(僅對(duì)Levenberg-Marquardt算法有效)
net.trainParam.epochs = 1000;       % 最大訓(xùn)練次數(shù)
net.trainParam.goal = 1e-8;         % 最小均方誤差
net.trainParam.min_grad = 1e-20;    % 最小梯度
net.trainParam.time = inf;          % 最大訓(xùn)練時(shí)間

%---------------------------------------------------
% 訓(xùn)練

net = train(net,PN1,TN1);     % 訓(xùn)練

%---------------------------------------------------
% 測(cè)試

YN1 = sim(net,PN1);             % 訓(xùn)練樣本實(shí)際輸出
YN2 = sim(net,PN2);             % 測(cè)試樣本實(shí)際輸出

MSE1 = mean((TN1-YN1).^2)       % 訓(xùn)練均方誤差
MSE2 = mean((TN2-YN2).^2)       % 測(cè)試均方誤差

%---------------------------------------------------
% 反歸一化

Y2 = postmnmx(YN2,mint,maxt);

%---------------------------------------------------
% 結(jié)果作圖

plot(1:length(T2),T2,'r+:',1:length(Y2),Y2,'bo:')
title('+為真實(shí)值，o為預(yù)測(cè)值')