计算智能实验报告
实验名称：BP神经网络算法实验
班级名称：专 业：姓 名：学 号：
级软工三班 软件工程 李XX
2010 XXXXXX2010090
一、 实验目的
1）编程实现BP神经网络算法；
2）探究BP算法中学习因子算法收敛趋势、收敛速度之间的关系；
3）修改训练后BP神经网络部分连接权值，分析连接权值修改前和修改后对相同测试样本测试结果，理解神经网络分布存储等特点。
二、 实验要求
按照下面的要求操作，然后分析不同操作后网络输出结果。 1）可修改学习因子
2）可任意指定隐单元层数
3）可任意指定输入层、隐含层、输出层的单元数 4）可指定最大允许误差ε
5）可输入学习样本（增加样本）
6）可存储训练后的网络各神经元之间的连接权值矩阵；
7）修改训练后的BP神经网络部分连接权值，分析连接权值修改前和修改后对相同测试样本测试结果 。
三、 实验原理
1 明确BP神经网络算法的基本思想如下：
在BPNN中，后向传播是一种学习算法，体现为BPNN的训练过程，该过程是需要教师指导的；前馈型网络是一种结构，体现为BPNN的网络构架
反向传播算法通过迭代处理的方式，不断地调整连接神经元的网络权重，使得最终输出结果和预期结果的误差最小
BPNN是一种典型的神经网络，广泛应用于各种分类系统，它也包括了训练和使用两个阶段。由于训练阶段是BPNN能够投入使用的基础和前提，而使用阶段本身是一个非常简单的过程，也就是给出输入，BPNN会根据已经训练好的参数进行运算，得到输出结果
2 明确BP神经网络算法步骤和流程如下：
1初始化网络权值
2由给定的输入输出模式对计算隐层、输出层各单元输出 3计算新的连接权及阀值，
4选取下一个输入模式对返回第2步反复训练直到网络设输出误差达到要求结束训练。
四、实验内容和分析
1．实验时建立三层BP神经网络，输入节点2个，隐含层节点2个，输出节
点1个，输入训练样本如下表： 输入值 输出 0.0 0.0 0.0 0.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 0.0 学习因子分别为0.5和0.6, 最大允许误差0.01。 代码：
P=[0.0 0.0 1.0 1.0;0.0 1.0 0.0 1.0];%输入量矩阵 T=[0.0 1.0 1.0 0.0];%输出量矩阵
net=newff(minmax(P),T,[2 1],{'tansig','purelin'},'traingd');%创建名为net的BP神经网络
inputWeights=net.IW{1,1};%输入层与隐含层的连接权重 inputbias=net.b{2};%输入层与隐含层的阈值
net.trainParam.epochs=5000;%网络参数：最大训练次数为5000次 net.trainParam.goal=0.01;%网络参数：训练精度为0.001 net.trainparam.lr=0.5;%网络参数：学习设置率为0.5 net.trainParam.mc=0.6; %动量
net.trainparam.show=100%网络参数：设置为每5次学习显示误差曲线点
[net,tr]=train(net,P,T); %训练
A=sim(net,P); %仿真 E=T-A; %误差 MSE=mse(E); %均方误差
训练结果：
训练次数5000，全局误差0.008364 输入层与隐含层连接权值为 隐含层神经元阈值为 2．输入测试样本为
隐含层与输出层连接权值为 输出层神经元阈值为