MATLAB仿真——基于BP神经网络的非线性函数拟合，非线性系统建模，可自行修改拟合函数

用BP神经网络算法对人脸方向进行预测，MATLAB版本注释较全，可直接运行

Matlab

简要探讨了BP神经网络的学习过程与主要参数，分析了基于BP神经网络的中文分词算法，并在用 joone-editor建立的神经网络模型中加以实验。

MATLAB SIMULINK

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码

现有训练集数据，1000 × 7，如下： xxxxxxxxxxxxxxxxxxxx 有测试集数据，100 × 7，如下： xxxxxxxxxxxxxxxxxxxx 以上数据分别是从某系统采集的数据，  训练数据集中，分别是采集的数据和标注结果，其中1、2分别表示该系统有无故障；  测试数据集中，分别是采集的数据和真实结果，其中1、2分别表示该系统有无故障； 现在需要使用训练数据集训练BP神经网络，然后用训练好的神经网络对测试数据集进行测试，并与真实结果进行对比，最终分析出神经网络的性能。 % --- Executes on button press in pushbutton6. function pushbutton6_Callback(hObject, eventdata, handles) % hObject handle to pushbutton6 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) global output_test inputn_train outputn_train inputn_test ... outputps BPoutput_test xunlian_num Error input_train output_train %创建网络 %获得gui_set中值 num_yinhan=str2num(get(findobj('tag','edit_yinhan'),'string')); TF=get(findobj('tag','transfer'),'string'); %传递函数 valueTF=get(findobj('tag','transfer'),'value'); TF=TF{valueTF}; BTF=get(findobj('tag','train'),'string'); %训练函数 valueBTF=get(findobj('tag','train'),'value'); BTF=BTF{valueBTF}; BLF=get(findobj('tag','learn'),'string'); %学习函数 valueBLF=get(findobj('tag','learn'),'value'); BLF=BLF{valueBLF}; tic;%启动一个定时器 net=newff(inputn_train,outputn_train,num_yinhan,{TF},BTF,BLF); net.trainParam.epochs=str2num(get(findobj('tag','cishu'),'string')); net.trainParam.goal=str2num(get(findobj('tag','goal'),'string')); net.trainParam.lr=str2num(get(findobj('tag','rate'),'string')); net=train(net,inputn_train,outputn_train); an=sim(net,inputn_test); t=toc;%关闭定时器，获取程序运行时间 %网络输出反归一化

基于BP神经网络的无约束优化方法

三层 BP 网络能逼近任意的非线性函数, 并已成功地应用于非线性系统的辨识[1] 。由于在进行非线性系统辨识时的在线学习算 法是在每一时刻采集一个样本进行训练, 因此, 若训练速率小, 则训练过程相对稳定, 但耗时长; 若训练速率大, 则会引起学习模型 的振荡, 即碰到极小点也可能会很快跳出, 特别是当噪声存在时, 就振荡得更剧烈, 往往达不到必要的精度, 并影响辨识的速度。

神经网络是近年来受到国内外广泛关注的高新技术，不同科学的科技人员对其进行了深入的研究，并取得了许多有价值的研究成 果，利用BP网络实现图像质量评价，选取图像的几个特征向量作为BP网络的输入。一般BP的输入都是数值组成的。文中提出的用BP神经网 络作图像识别的方法，不对图像作特征提取，直接把图像数据作为神经网络识别器的输入。文章最后用Python完成了网络的训练与测试，并 给出了试验结果。结果表明，不作特征提取的神经网络图像识别系统具有很强的抗干扰能力。