神经网络3，主要是一些用matlab自带函数来完成神经网络的例子。matlab自带的函数，都是经过优化，而且函数的实现过程是被封装好了点。性能也是非常的优良了。可是自己写出来的BP神经网络可能就不能达到那样的效果。要想在FPGA上实现，或者要知道内部的运行情况，还是要自己写才行。
这个是自己写的BP神经网络（网上下的）。
clear all
clc
inputNums=3; %输入层节点
outputNums=3; %输出层节点
hideNums=10; %隐层节点数
maxcount=20000; %最大迭代次数
samplenum=10; %一个计数器，无意义
precision=0.001; %预设精度
yyy=1.3; %yyy是帮助网络加速走出平坦区 alpha=0.01; %学习率设定值
a=0.5; %BP优化算法的一个设定值，对上组训练的调整值按比例修改 字串9
error=zeros(1,maxcount+1); %error数组初始化；目的是预分配内存空间
errorp=zeros(1,samplenum); %同上v=rand(inputNums,hideNums); %3*10;v初始化为一个3*10的随机归一矩阵; v表输入层到隐层的权值
deltv=zeros(inputNums,hideNums); %3*10;内存空间预分配
dv=zeros(inputNums,hideNums); %3*10; w=rand(hideNums,outputNums); %10*3;同V
deltw=zeros(hideNums,outputNums);%10*3
dw=zeros(hideNums,outputNums); %10*3%samplelist=[0.1323,0.323,-0.132;0.321,0.2434,0.456;-0.6546,-0.3242,0.3255]; %3*3;指定输入值3*3(实为3个向量)
%expectlist=[0.5435,0.422,-0.642;0.1,0.562,0.5675;-0.6464,-0.756,0.11]; %3*3;期望输出值3*3(实为3个向量)，有导师的监督学
samplelist=[0.8,0.8,-0.8;0.8,-0.8,0.8;-0.8,0.8,0.8;-0.8,0.8,0.8;-0.8,-0.8,-0.8;-0.8,0.8,-0.8;0.8,-0.8,-0.8;0.8,0.8,0.8;-0.8,0.8,0.8;-0.8,0.8,-0.8];
expectlist=[0.5,0.5,0.1; 0.5,0.1,0.5; 0.1,0.5,0.5; 0.1,0.5,0.5; 0.1,0.1,0.1 ; 0.1,0.5,0.1; 0.5,0.1,0.1; 0.5,0.5,0.5; 0.1,0.5,0.5; 0.1,0.5,0.1];count=1;
while (count<=maxcount) %结束条件1迭代20000次
c=1;
while (c<=samplenum)
for k=1:outputNums
d(k)=expectlist(c,k); %获得期望输出的向量,d(1:3)表示一个期望向量内 的值
end
for i=1:inputNums
x(i)=samplelist(c,i); %获得输入的向量（数据）,x(1:3)表一个训练向量
end
%For ward();
for j=1:hideNums
net=0.0;
for i=1:inputNums
net=net+x(i)*v(i,j);%输入层到隐层的加权和∑X(i)V(i)
end
y(j)=1/(1+exp(-net)); %输出层处理f(x)=1/(1+exp(-x))单极性sigmiod函数
end
for k=1:outputNums
net=0.0;
for j=1:hideNums
net=net+y(j)*w(j,k);
end
if count>=2&&error(count)-error(count+1)<=0.0001
o(k)=1/(1+exp(-net)/yyy); %平坦区加大学习率
else
o(k)=1/(1+exp(-net)); %同上
end
end
%BpE rror(c)反馈/修改;
errortmp=0.0;
for k=1:outputNums
errortmp=errortmp+(d(k)-o(k))^2; %第一组训练后的误差计算
end
errorp(c)=0.5*errortmp; %误差E=∑(d(k)-o(k))^2 * 1/2
%end
%Bac kward();
for k=1:outputNums
yitao(k)=(d(k)-o(k))*o(k)*(1-o(k)); %输入层误差偏导 字串5
end
for j=1:hideNums
tem=0.0;
for k=1:outputNums
tem=tem+yitao(k)*w(j,k); %为了求隐层偏导，而计算的∑
end
yitay(j)=tem*y(j)*(1-y(j)); %隐层偏导
end%调整各层权值
for j=1:hideNums
for k=1:outputNums
deltw(j,k)=alpha*yitao(k)*y(j); %权值w的调整量deltw(已乘学习率)
w(j,k)=w(j,k)+deltw(j,k)+a*dw(j,k);%权值调整，这里的dw=dletw(t-1)，实际是对BP算法的一个
dw(j,k)=deltw(j,k); %改进措施--增加动量项目的是提高训练速度
end
end
for i=1:inputNums
for j=1:hideNums
deltv(i,j)=alpha*yitay(j)*x(i); %同上deltw
v(i,j)=v(i,j)+deltv(i,j)+a*dv(i,j);
dv(i,j)=deltv(i,j);
end
end
c=c+1;
end%第二个while结束；表示一次BP训练结束 double tmp;
tmp=0.0;
for i=1:samplenum
tmp=tmp+errorp(i)*errorp(i);%误差求和
end
tmp=tmp/c;
error(count)=sqrt(tmp);%误差求均方根,即精度
if (error(count)<precision)%另一个结束条件
break;
end
count=count+1;%训练次数加1
end%第一个while结束error(maxcount+1)=error(maxcount);
p=1:count;
pp=p/50; %方便显示用的
plot(pp,error(p),'-'); %显示误差 xce=[0.7,-0.9,0.8];
for j=1:hideNums
net=0.0;
for i=1:inputNums
net=net+xce(i)*v(i,j);%输入层到隐层的加权和∑X(i)V(i)
end
y(j)=1/(1+exp(-net)); %输出层处理f(x)=1/(1+exp(-x))单极性sigmiod函数
end
for k=1:outputNums
net=0.0;
for j=1:hideNums
net=net+y(j)*w(j,k);
end
o(k)=1/(1+exp(-net));
end
o这个只是我其中一个，测试过程的matlab实例。其实在很多的论文里面，都描述了，bp神经网络的不足。有麻痹现象，就是反馈的数据变的很小了（反馈的调整加权值）和收敛到局部最小值就不在收敛了。
%if count>=200 && count <400 %也没有很大的效果
% alpha=1;
% elseif count>=400 && count <1000
% alpha=7;
%elseif count>=1000
% alpha=10;
%else
% alpha=0.08;
%endalpha 是学习速率嘛：如果学习率高的话，可以做到快速收敛，有可能也会引起收敛到局部最小值时的震荡。所以，可以考虑，前期学习率大，让它快速收敛，然后后期学习率小些，避免在最小值附近震荡，无法收敛。
% if y(j) <=0.01
% y(j)=0.01;
% elseif y(j) >=0.99
% y(j)=0.99;
% else
% y(j)=y(j);
% end这一段，关于这2段是放在程序的什么地方嘛。自己感觉一下吧。其实这一段程序是为了防止，反馈系数变的很小，如果反馈基本为0的话，调整很多次也不会有效果了。所以，我把数据限定一下，（这个好像是函数限定）。不好意思，不怎么记得了。找不到了。
无论是自己的调试，修改。还是看很多改进的论文。最终我都没有调试出一个比较好的结果。改进的效果也不是很明显。没有最终版本。
关于计划的FPGA实现，不好意思。matlab程序，测试了很多，还有很多没测试，改进的。所以还没有轮到那一步。后来就没有时间和精力了。也没有完成。好几个月前了。
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
