基于BP神经网络逼近函数.docVIP

用神经网络拟合一个非线性函数 姓名：李海浪 班级：10级自动化3班 学号：P101813479 基于BP神经网络逼近函数 假设频率参数k=1，绘制要逼近的非线性函数的曲线。函数的曲线如图1所示.MATLAB程序如下： k=1; p=[0:0.05:10]; t=sin(k*pi/4*p); plot（p，t)； title(要逼近的函数); xlabel(时间); ylabel(函数) 图1 要逼近的正弦函数曲线 建立网络 应用newff()函数建立BP网络结构。隐层神经元数目n可以改变，暂设为n=3，输出层有一个神经元。选择隐层和输出层神经元传递函数分别为tansig函数和purelin函数，网络训练的算法采用Levenberg – Marquardt算法trainlm。NATLAB程序如下： n=3; net = newff(minmax(p),[n,1],{tansig purelin},trainlm); y1=sim(net,p); figure; plot(p,t,-,p,y1,:) title(未训练网络的输出结果); xlabel(时间); ylabel(仿真输出--原函数); 同时绘制网络输出曲线，并与原函数相比较，结果如图2所示。 图2 未训练网络的输出结果 “ ” 代表要逼近的非线性函数曲线； “‥‥” 代表未经训练的函数曲线； 因为使用newff( )函数建立函数网络时，权值和阈值的初始化是随机的，所以网络输出结构很差，根本达不到函数逼近的目的，每次运行的结果也有时不同。 3.网络训练 应用train（）函数对网络进行训练之前，需要预先设置网络训练参数。将训练时间设置为50，训练精度设置为0.01，其余参数使用缺省值。训练后得到的误差变化过程如图3所示。 图3 训练过程 net.trainParam.epochs=50; net.trainParam.goal=0.01; net=train(net,p,t); TRAINLM-calcjx, Epoch 0/50, MSE 9.27774/0.01, Gradient 13.3122/1e-010 TRAINLM-calcjx, Epoch 3/50, MSE 00.01, Gradient 0.0337555/1e-010 TRAINLM, Performance goal met. 从以上结果可以看出，网络训练速度很快，经过一次循环跌送过程就达到了要求的精度0.01。 4. 网络测试 对于训练好的网络进行仿真：MATLAB程序如下： y2=sim(net,p); figure; plot(p,t,-,p,y1,:,p,y2, --) title(训练后网络的输出结果); xlabel(时间); ylabel(仿真输出); 绘制网络输出曲线，并与原始非线性函数曲线以及未训练网络的输出结果曲线相比较，比较出来的结果如图4所示。 图4 训练后网络的输出结果 “ ” 代表要逼近的非线性函数曲线； “‥‥‥” 代表未经训练的函数曲线； “―――” 代表经过训练的函数曲线； 从图中可以看出，得到的曲线和原始的非线性函数曲线很接近。这说明经过训练后，BP网络对非线性函数的逼近效果比较好。