BP神经网络是一种多层的前馈神经网络，其主要的特点是：信号是前向传播的，而误差是反向传播的，依次调节隐含层到输出层的权重和偏置，输入层到隐含层的权重和偏置。 数学推导网上有很多，需要明确的就一点，神经网络学习是通过样本来不断调整输入层至隐含层的权值wi ,隐含层至输出层的权值wo，以及对应的阈值 bi 和 bo ，属于黑盒，设置完参数即可。

通过bp神经网路和证据理论的信息处理，是系统对火灾信息的报警信息更加准确

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