bp神经网络中的重要函数解释-CSDN博客

BP神经网络是反向传播神经网络
1.归一化: 将数据映射到[01]或者[-11]缩小数据范围。防止数据淹没一个数据很大一个很小小的可能会忽略不计
2.[Y,PS] = mapminmax(X,YMIN,YMAX)%x输入y输出YMINYMAX输出的范围PS为结构体的信息。YMINYMAX默认是-11 正常设置为01
Y = mapminmax(‘apply’,X,PS);%采用同X一样的归一化
X = mapminmax(‘reverse’,Y,PS);%反归一化
eg:当x = [1,2,3,4];
经过归一化后是0-1之间的四个数反归一化就是重新变成x=[1,2,3,4];
3.创建网络net=newff(P,T,S,TF,BTF,BLF,PF,IPF,OPF,DDF)
参数P输入参数矩阵
T 目标参数矩阵
S N-1个隐含层数目s(1)到s(N-1),默认为空矩阵【】
TF 相关层的传递函数默认隐含层为tansig函数输出层为purlin函数。
tansig正切S型传递函数 purelin线性传递函数 logsig:对数S型传递函数
隐含层和输出层函数选择对BP神经网络预测精度有较大影响一般隐含层节点转移函数选用tansig函数或者logsig函数输出层节点转移函数选用tansig函数或者purelin函数。

BTFBP神经网络学习训练函数默认为taringlm函数
BLF 权重学习函数默认值为learngdm。traingd最速下降BP算法。 traingdm动量BP算法 trainda:学习率可变的最快下降BP算法。 traindx:学习率可变的动量BP算法。 trainrp 弹性算法。
PF:性能函数默认值为mse可选择的还有ssesaemaecrossentropy 。mse均方差。sse和方差。mae 平方损失。 crossentropy交叉熵。
IPF/OPF/DDF均设置为默认值即可。
4.训练函数训练所有神经网络
[net,tr,Y,E,Pf,Af] = train(net,P,T,Pi,Ai)
net:需要训练的神经网络
p:网络输入
T:网络期望输出
Pi/Ai:初始输入/层延迟默认为0
net:训练好的神经网络
tr:训练记录包括训练的步数epoch和性能perf 对于没有输入延迟或层延迟的网络Pi、Ai、Pf和Af参数是不需要的。

仿真函数:[Y,Pf,Af,E,perf] = sim(net,P,Pi,Ai,T)
pf:最终输入延时
Af:最终层延迟
E:网络误差
Y:拟合或预测值
perf:网络性能
net:BP神经网络
P:拟合或预测值
T:拟合或预测期望
基本步骤1。导入数据分为训练输入数据和训练输出数据测试输入数据和测试输出数据各个层的节点数量
2.训练样本归一化包括训练输入和训练输出
3.构建神经网络
4.网络参数配置
5.训练神经网络net
6.测试样本归一化
7.利用训练后的net进行预测测试集
8.得到预测结果
9.再进行反归一化得到原数值
10.计算误差

参考大佬视频:添加链接描述