BP神经网络实例（matlab）
- 输入数据：
183组应用数据（input.mat），随机列重排后取：
训练样本个数：160 （input_test.mat）
测试样本个数：23 (input_train.mat)
2．输入数据归一化：
训练样本归一化：[inputn,minp,maxp]=premnmx(input_train);
测试样本归一化：[inputn_test]=tramnmx(input_test,minp,maxp);
3. 训练结果图：
在第41一次时，训练达到最小设定梯度：e-7方，训练结束
4.权值和阈值矩阵：
1）w=net.IW{1,1}%输入到第一隐含层的权重矩阵；
2）wt=net.LW{2,1}%隐含层到输出层的权值矩阵；
3）b=net.b{1,1}%第一隐含层的阀值矩阵；
4）bt=net.b{2,1}%输出接点的阀值矩阵；
5.输出表达式：
已知隐层节点数为8，输出节点数为6，输入样本有14个参数，则w为8x14,b为8x1，wt为6x8，bt为6x1的矩阵,设输入为A，则输出B表达式如下： （x1,x2,…,x14）--->（y1,y2,…y6）
(y1,y2,…,y6)=logsig{tansig[(x1,x2,…,x14)*w’+b’]*wt’+bt’}
当输入A为矩阵形式时，计算步骤如下：
- 输入乘上权值：out1=A’*w’
- 加上阈值：for i=1:size(out1)
out1(i,:)=out1(i,:)+b'
- 传递函数变换：out1=tansig(out1)
- 隐层节点输入乘上权值：B=out1*w2'
- 加上阈值：for i=1:size(B)
B(i,:)=B(i,:)+b2'
- 传递函数变换：B=logsig(B)
6.准确率计算：
对于测试结果计算出来的结果B如下图所示，为6xn的矩阵，每一列对应一个测试样本的输出：
算法取每列中的最大值为1，其余设为0，则结果变为：
通过与理想输出（如下图）作对比，计算神经网络预测的准确率：
计算公式和结果如下：match_ratio=1-预测错误个数/总预测个数
