神经网络matlab最大迭代次数设置

‘壹’ （急）如何用MATLAB建立ANN（人工神经网络模型）

问题描述：
有两个自变量，一个因变量，10个样本（这里就取少一点好了）。用实际问题来表述，假设一个股票，开盘价 x1，收盘价 x2，第二天的股价 y。 那用神经网络来预测的目的是，根据10天的开盘价和收盘价，来预测未来股价。显然，这里的y与x1和x2相关，我们要训练一个网络（net）来让他尽可能的预测一个y

MATLAB程序

clc
clear
load data input output
%input就是包含了x1和x2 10天数据的矩阵，说白了就是20个数的矩阵。output是y的一个向量，%10个数
%需要自己找一些数据赋值给input和ouput

P=input;
T=output;
%这里P和T必须是 x1 x2和y的行向量组合。对于P，x1是行向量，x2是行向量。P=[x1;x2]; T=y. y是行向量

Epochs=5000;
NodeNum=12; TypeNum=1;
TF1='logsig'; TF2='purelin';
%设置一些初始参数，Epochs是迭代上限次数，NodeNum是第一个隐藏层的神经元个数，%TypeNum是几层。TF1和TF2分别定义了几个传递函数。

net=newff(minmax(P),[NodeNum TypeNum],{TF1 TF2},'trainlm');
%建立一个神经网络，训练输入和输出数据都有了，设置隐藏层的个数。

net.trainParam.epochs=Epochs;
net.trainParam.goal=1e-4;
net.trainParam.min_grad=1e-4;
net.trainParam.show=200;
net.trainParam.time=inf;
%设置一些训练时的参数，第一个是每次训练的最大迭代次数；

net=train(net,P,T);
%开始网络训练

P_test=P;
B_test=T;
%就用原始的数据进行测试

X=sim(net,P_test);
%测试

Erro=abs(B_test-X);
sigma=std(Erro);
%计算出预测值和实际值的误差，求出方差。将来方差可以用来随机调整

‘贰’ 如何设置matlab优化设计中的迭代次数

一般根据迭代过程的应变量的偏差Y(n)-Y(n-1)小于一个极小值如1e-6来控制迭代次数。

‘叁’ 请教matlab如何增加迭代次数

OPTIONS = optimset(OLDOPTS,'PARAM1',VALUE1,...) creates a of OLDOPTS
with the named parameters altered with the specified values.
这是matlab中help文件给出的。options= optimset('MaxIter',100000)这样就设置了最大的迭代次数为100000次。

‘肆’ MATLAB中SOR迭代法如何球迭代次数及迭代后的值

function
[x
n]=sor(A,b,x0,w,eps,M)
%x值
%n迭代次数
%
A系数矩阵
%
b
方程组右端项
%
w
松弛因子
%
eps
精度要求，默认1e-5
%
M
最大迭代次数，默认100

‘伍’ 人工神经网络单输入单输出系统怎么实现（matlab）

MATLAB写的：
（输入输出隐层节点数都可以改的）
clear all
inputnums=3;%输入层节点
outputnums=1;%输出层节点
hidenums=7;%隐层节点
maxcount=50000;%最大迭代次数
samplenum=19;%一个计数器，无意义
precision=0.00001;%预设精度
yyy=1.3;%yyy是帮助网络加速走出平坦区
alpha=0.02;%学习率设定值
a=0.9;%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
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);%1*10；v初始化为一个1*10的随机归一矩阵；v表输入层到隐层的权值
deltv=zeros(inputnums,hidenums);%1*10；内存空间预分配
dv=zeros(inputnums,hidenums);%1*10;

w=rand(hidenums,outputnums);%10*1
deltw=zeros(hidenums,outputnums);%10*1
dw=zeros(hidenums,outputnums);%10*1

samplelist=1:0.5:10;%样本输入值
expectlist=samplelist.^(-1);%期望输出值
%expectlist=exp(-samplelist);
[samplelist,minp,maxp]=premnmx(samplelist);
%[expectlist,mint,maxt]=premnmx(expectlist);
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);%获得期望输出的向量
end
for i=1:inputnums
x(i)=samplelist(c);%获得输入的向量数据
end

%forward();
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
end
y(j)=1/(1+exp(-net));%输出层处理f(x)=1/(1+exp(-x))，单极性sigmiod函数
%y(j)=1/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
%o(k)=1/(net/yyy);%平坦区加大学习率
else o(k)=1/(1+exp(-net));%同上
%else o(k)=1/net;%同上
end
end

%BpError(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
%backward();
for k=1:outputnums
yitao(k)=(d(k)-o(k))*o(k)*(1-o(k));%输出层误差偏导
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，而计算的求和
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=deltw（t-1），实际是对BP算法的一个改进措施--增加动量项目的是提高训练速度
dw(j,k)=deltw(j,k);
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)%求另一个结束条件
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-1;
plot(p,error(p),'-');%显示误差
p=1:1:10;
t=p.^(-1);
%t=exp(-p);
[pn,minpn,maxpn]=premnmx(p);

simt=zeros(1,10);
%while(a<=9)
for i=1:10
x=pn(i);%获得输入的向量数据
for j=1:hidenums
net=0.0;

net=net+x*v(1,j);%输入层到隐层的加权和

y(j)=1/(1+exp(-net));%输出层处理f(x)=1/(1+exp(-x))，单极性sigmiod函数
%y(j)=1/net;%输出层处理f(x)=1/(1+exp(-x))，单极性sigmiod函数
end

net=0.0;
for k=1:hidenums
net=net+y(k)*w(k,1);
end
o=1/(1+exp(-net));
simt(i)=o;

end
% simt=postmnmx(simt,mint,maxt);
figure;
plot(p,t,'*',p,simt,'-');
请参考

‘陆’ matlab中如何获取神经网络训练之后的迭代次数

多种方法途径可以获取，如训练后，运行以下语句：

nntraintool

--------------出现窗口中的Progress-epoch显示迭代次数