导入Matlab训练好的BP网络权值和偏置并用python编写BP神经网络预测程序

深藏阁楼爱情的钟 2022-03-01 18:44 213阅读 0赞

### 前言：这里的BP神经网络例子为3层网络，如需更多隐层，请自行更改 ###

### 参考文献：[http://www.ilovematlab.cn/thread-560975-1-1.html][http_www.ilovematlab.cn_thread-560975-1-1.html]第一页是储备知识，第二页是问题解决方法。 ###

### 关键点： ###

###        1.BP网络输入层到隐层的函数为tansig函数 ###

tansig(n)=2/(1+exp(-2\*n)) -1;

###        2.BP网络隐层到输出层的函数为线性函数purelin ###

purelin(n)=n

###        3.Matlab在数据输入的时候做了归一化，在数据输出的时候做了反归一化 ###

归一化后数据范围【-1 1】。 所以需要实现Matlab的mapminmax函数。其中xinmin和xinmax需要从Matlab训练后的神经网络种得到，如图2。

在Matlab中，使用gensim(net)函数建立可视化simulink框图。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tpc3Nnb29kYnllMjAxMg_size_16_color_FFFFFF_t_70][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tpc3Nnb29kYnllMjAxMg_size_16_color_FFFFFF_t_70 1][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tpc3Nnb29kYnllMjAxMg_size_16_color_FFFFFF_t_70 2][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tpc3Nnb29kYnllMjAxMg_size_16_color_FFFFFF_t_70 3][]

# **\*\*\*一定得找到xinmin和xinmax，找不到就别想算得和Matlab一致。** #

###        4.我的输出标签是1-7，你还需要改动程序，主要是归一化和反归一化那里的。 ###

![201903231148174.png][]

图1 三层神经网络的结构

![20190323115025323.png][]

图2  正确使用需要得到的关键参数

### Matlab导出训练好的权值和偏置 ###

%读取输入层到隐藏层的权重
    w_in2hid.txt=net.IW{1,1};
    save D:\w_in2hid.txt -ascii w_in2hid;
    %读取输入层到隐藏层的偏置
    bias_in2hid=net.b{1,1};
    save D:\bias_in2hid.txt -ascii bias_in2hid;
    %读取隐藏层到输出层的权重
    w_hid2out=net.LW{2,1};
    save D:\w_hid2out.txt -ascii w_hid2out;
    %读取隐藏层到输出层的偏置
    bias_hid2out=net.b{2,1};
    save D:\bias_hid2out.txt -ascii bias_hid2out;

net.IW——输入层到隐层的权重

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tpc3Nnb29kYnllMjAxMg_size_16_color_FFFFFF_t_70 4][]

net.LW——输出层到隐层权重

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tpc3Nnb29kYnllMjAxMg_size_16_color_FFFFFF_t_70 5][]

net.b——所有层的偏置

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tpc3Nnb29kYnllMjAxMg_size_16_color_FFFFFF_t_70 6][]

把红色框住的权值和偏置保存下来就行。

我这里的保存成txt格式。名称为：

![20190323114248172.png][]

### 使用numpy的Python三层BP神经网络程序 ###

#！/usr/bin/env python
    # _*_ coding:utf-8 _*_
    
    #使用python实现导入Matlab训练好的BP神经网络权值和偏置，做预测
    #完成的是三层BP神经网络
    
    import numpy as np
    import time
    
    class BPNetwork(object):
        def __init__(self, input_nodes, hidden_nodes, output_nodes, learning_rate):
            # 设定输入层、隐藏层、输出层的节点数nodes、学习率
            self.input_nodes = input_nodes
            self.hidden_nodes = hidden_nodes
            self.output_nodes = output_nodes
            self.lr = learning_rate
            # 为了方便理解，在此将输入设置为mnist数据实例，方便理解各个数据的shape
            # 则input_nodes=784,hidden_nodes=32, output_nodes=64
            # 设定权重值
            # w_in2hid.shape=(32,784)
            self.w_in2hid = np.random.normal(0.0, self.hidden_nodes ** -0.5, (self.hidden_nodes, self.input_nodes))
            self.bias_in2hid = np.random.normal(0.0, self.hidden_nodes ** -0.5, (self.hidden_nodes, 1))
            # w_hid2out.shape=(64,32)
            self.w_hid2out = np.random.normal(0.0, self.output_nodes ** -0.5, (self.output_nodes, self.hidden_nodes))
            self.bias_hid2out = np.random.normal(0.0, self.output_nodes ** -0.5, (self.output_nodes, 1))
            # 激活函数(logistic函数,sigmoid函数)
            self.act_func = (lambda x: 1/(1+np.exp(-x)))
            self.act_tansig=(lambda y:(2/(1+np.exp(-2*y)))-1)
    
        def load_weight_and_bias(self,w_in,b_in,w_out,b_out):
            self.w_in2hid=w_in
            self.bias_in2hid=b_in
            self.w_hid2out=w_out
            self.bias_hid2out=b_out
    
        def run(self, inputs_org):
            inputs = np.array(inputs_org, ndmin=2).T
            #归一化输入变量
            xinmin=[106.981239723518,62.3965058481809,45.7142140543688,48.6927276935126,54.4764151404023,50.1104283521850,34.8897953727263,54.2732625530648]
            xinmax=[848.232912409228,370.481406524439,195.427888197606,241.759265358899,334.010783370080,209.190468299929,254.087884158159,267.991924217319]
            xinmax=np.array(xinmax, ndmin=2).T
            xinmin=np.array(xinmin, ndmin=2).T
            inputs = 2/(xinmax - xinmin)*(inputs-xinmin)-1
    
            # 实现前向传播
            hid_ints = np.dot(self.w_in2hid, inputs)
            hid_ints=np.add(hid_ints,np.array(self.bias_in2hid, ndmin=2).T)
            hid_outs = self.act_tansig(hid_ints)
            # 输出层
            out_ints = np.dot(self.w_hid2out, hid_outs)
            out_ints=np.add(out_ints,np.array(self.bias_hid2out, ndmin=2).T)
    
            # 反归一化输出变量
            out_outs = np.around((7-1)/2*(out_ints+1)+1)
    
            return out_outs
    
    #读入数据
    w_in2hid = np.loadtxt(r"F:\肌电在线识别运动模式\信号分析算法\w_in2hid.txt",dtype=float)   #将文件中数据加载到datax数组里
    bias_in2hid = np.loadtxt(r"F:\肌电在线识别运动模式\信号分析算法\bias_in2hid.txt",dtype=float)   #将文件中数据加载到datax数组里
    w_hid2out = np.loadtxt(r"F:\肌电在线识别运动模式\信号分析算法\w_hid2out.txt",dtype=float)   #将文件中数据加载到datax数组里
    bias_hid2out = np.loadtxt(r"F:\肌电在线识别运动模式\信号分析算法\bias_hid2out.txt",dtype=float)   #将文件中数据加载到datax数组里
    
    
    emg=BPNetwork(8,25,1,0.05)
    emg.load_weight_and_bias(w_in2hid,bias_in2hid,w_hid2out,bias_hid2out)
    
    # t = time.clock()
    # endtime1 = int(round(t * 1000))
    # print(endtime1)
    
    dinput=[125.5005,   70.0132,   53.7063,   56.4048,   91.1870,  109.5663,  105.3259,   82.2865]
    
    out=emg.run(dinput)
    
    # t = time.clock()
    # endtime2 = int(round(t * 1000))
    # print(endtime2)
    
    print(out)

[http_www.ilovematlab.cn_thread-560975-1-1.html]: http://www.ilovematlab.cn/thread-560975-1-1.html
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tpc3Nnb29kYnllMjAxMg_size_16_color_FFFFFF_t_70]: /images/20220301/1fe0afb1140c461a96881556e29559eb.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tpc3Nnb29kYnllMjAxMg_size_16_color_FFFFFF_t_70 1]: /images/20220301/d234b34506504bf3b23201a5fdea4e4f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tpc3Nnb29kYnllMjAxMg_size_16_color_FFFFFF_t_70 2]: /images/20220301/992de5bd3b384a11b0d1a98c68c2b209.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tpc3Nnb29kYnllMjAxMg_size_16_color_FFFFFF_t_70 3]: /images/20220301/afb4ed7b3d4c487f9c995b66df93c142.png
[201903231148174.png]: /images/20220301/baf465017d0a4e9ab071a17e1c77707d.png
[20190323115025323.png]: /images/20220301/553450019770498da9e0fecff50695f2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tpc3Nnb29kYnllMjAxMg_size_16_color_FFFFFF_t_70 4]: /images/20220301/8de7d6c616274ad6b3a419164be131e4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tpc3Nnb29kYnllMjAxMg_size_16_color_FFFFFF_t_70 5]: /images/20220301/0e27cdd6a55e4562908c10ababe986e9.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tpc3Nnb29kYnllMjAxMg_size_16_color_FFFFFF_t_70 6]: /images/20220301/de56819d26664cf1b76cf907ed2e65f8.png
[20190323114248172.png]: /images/20220301/17a297068781445fb52d20de206b95e7.png