data_train.zip_train

%%%%%%%%%%1-提高程序可调性，即;能初始化的参数全部初始化 function [w1,w2]=data_train(StartPoint,TrainNum,Trainintnum,maxepoch,xite,X,Y) %获取归一化以后的输出数据 %X=xlsread('macglass.xls','d1:d1000'); midnum=ceil(sqrt(Trainintnum))+2; for k=1:TrainNum y(k)=Y(StartPoint+Trainintnum+k-1); end %x1中应该有(2*Trainintnum-1)个元素 for k=1:(Trainintnum+TrainNum-1) x1(k)=X(StartPoint+k-1); end x=zeros(Trainintnum,TrainNum); i=1; for j=1:Trainintnum x(j,i)=x1(j); end for i=2:TrainNum for j=1:Trainintnum x(j,i)=x1(i+j-1); end end %以上确定了输入数据和实际数据 %初始化输入层神经元个数intnum=100;%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%和输入数据维数是相同的 %初始化隐含层神经元个数 %midnum=11; %初始化输出层神经元个数 %outnum=1; %初始化输入层与隐层间权值 w1=rand(midnum,Trainintnum)*2-1; %初始化隐层与输出层间权值 w2=rand(1,midnum)*2-1; %初始化学习速率 %xite=0.01; %初始化最大训练次数和误差限 %maxepoch=50000; limit_error=0.001; %定义一个变量记录实际训练次数 Num=0; %初始化一个每次计算全局误差的初始值 ，设为0 %E=0; %进行网络训练和权值的修正 for m=1:maxepoch E(m)=0; %100个样本进行训练时隐层的输入矩阵，其中每一列为一个样本的隐含层输入 I=w1*x; %100个样本训练时隐含层的输出矩阵 for i=1:midnum for j=1:TrainNum %100个样本训练时隐含层的输出矩阵 Iout(i,j)=1/(1+exp(-I(i,j))); end end %100个样本训练时输出层的输入矩阵 FI=w2*Iout; %100个样本训练时输出层的输出矩阵 for j=1:TrainNum y1(j)=1/(1+exp(-FI(j))); %每个样本下的期望值与实际值的绝对误差的平方和的1/2 e(j)=0.5*(y(j)-y1(j)).^2; end %计算该次计算的全局误差 E(m)=sum(e); % 计算误差函对输出层的各神经元的偏导数矩阵 for j=1:TrainNum sigma2(j)=(y(j)-y1(j))*y1(j)*(1-y1(j)); end %利用隐含层到输出层的连接权值.输出层的sigma2和隐含层的输出计算误差函数对隐含层各神经元的偏导数 for i=1:midnum for j=1:TrainNum sigma1(i,j)=sigma2(j)*w2(i)*Iout(i,j)*(1-Iout(i,j));%可能会有问题注意回头检查可能会有问题注意回头检查可能会有问题注意回头检查可能会有问题注意回头检查可能会有问题注意回头检查 end end %利用输出层各神经元的sigma2和隐含层各神经元的输出来修正连接权值 delta2=xite*sigma2*Iout'; w2=w2+delta2; %利用隐含层各神经元的sigma1和输入层各神经元的输入修正连接权 delta1=xite*sigma1*x'; w1=w1+delta1; %判断误差是否达到要求 else Num=Num+1; if E(m)<limit_error; break; end end %E(Num) %disp(Num); %figure(1) %n=1:1:TrainNum; %plot(n,y(n),'r--',n,y1(n),'b'); %xlabel('训练样本个数');ylabel('y与y1（训练信号输出）'); %legend('红线为训练时的期望输出','蓝线为训练结束后的实际输出'); % 图形注解 %figure(2) %p=1:100:Num; %plot(p,E(p)); %xlabel('训练次数');ylabel('每次训练的全局误差'); %grid on end