智能控制小作业函数逼近.docVIP

Simulation Report on Intelligent Control and Application Name Student Number Advisor Category □ Master Program □ Doctoral Program Specialty School 仿真报告----利用BP神经网络与多项 式方法逼近函数的效果分析 介绍 Introduction 本仿真报告分别用多项式拟合和BP神经网络逼近函数,并分析多项式阶次和BP网络隐含层神经元个数与逼近精度之间的关系。 问题描述Problem description BP神经网络主要应用于函数逼近，模式识别，分类以及数据压缩。本仿真报告目的是之一利用Matlab建立神经网络模型，检测BP神经网络的函数逼近效果。 由数学分析知道，复杂的函数曲线可以有多项式函数逼近。因此本仿真报告将利用Matlab的polyfit函数polyfit函数的数学基础是最小二乘法曲线拟合原理，所得到的函数值在基点处的值与原来点的坐标偏差最小，常用于数据拟合。System model BP神经网络是一种多层前馈神经网络,该网络的主要特点是信号前向传递, 误差反向传播。在前向传递中,输入信号从输入层经隐含层逐层处理, 直至输出层。每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出, 则转入反向传播,根据预测误差调整网络权值和阈值,从而使B P神经网络预测输出不断逼近期望输出。 本设计中具体的神经网络模型如下： 采用三层BP神经网络，输入层和输出层各有一个神经元，隐含层的神经元的个数可变，选取从1到20的整数，从而分析隐含层神经元的个数与逼近效果之间的关系。 隐含层采用标准Sigmoidal激活函数，输出层采用线性激活函数。 学习率为0.003，目标误差为0.5，最大学习次数为5000次。 初始权值和阀值取[-0.1,0.1]内的随机数。 学习算法采用标准BP算法。 多项式拟合由于涉及到较深的数学理论，不再作具体介绍，只在用的地方做一些解说。 设计程序Intelligent control principle and design procedure 4.1目标函数分析 用Matlab做出函数在区间[-10,10]的曲线图，同时绘制函数y1=x以及dy=y-y1的曲线。曲线图见图1. 图1 原函数曲线图 由图1以及数学分析可以看出，在远离原点（0,0）的地方，目标函数接近y=x， 因此，需要用多项式或者BP神经网络逼近的部分在原点附近，其他部分用y=x近似，误差就已经很小了。例如，x=+/-2时，dy=3.2*10-28。因此本仿真选用的自变量x的区间为[-2,2]。 4.2 多项式拟合主要步骤介绍 根据目标函数产生样本输入输出 调用polyfit(x,y,n)，产生基于最小二乘法的各阶次多项式。 设置循环变量cnt，实现在一个程序中，可以产生从1阶到30阶的多项式。 将样本输入传给多项式函数，得到逼近函数值，绘制各阶次多项式的拟合曲线。 绘制各阶次的误差变化曲线。 4.3 BP神经网络逼近主要步骤介绍 根据目标函数产生样本输入输出 设计BP神经网络。为了熟悉BP网络，本设计没有调用神经网络工具箱，而是自己编程，实现了BP神经网络，具体代码见附录中程序。 设置循环变量HiddenUnitNum，实现在一个程序中，可以产生隐含层含有从1到20的个神经元的网络。同时循环变量HiddenUnitNum为隐含层神经元数目。 用根据目标函数产生的样本输入训练神经网络，其中，样本输出为教师信号。 用训练过的BP网络拟合目标函数。同时记录下拟合效果。 仿真结果和分析Simulation results and analysis 5.1多项式仿真结果 图2中，以下各小图依次是利用多项式拟合函数的Matlab仿真图。按照从左到右，从上到下的顺序，各小图对应的多项式的阶次从1依次递增到30，由于篇幅所限，以及相邻阶次多项式之间的拟合效果很相近，因此，有一部分阶次的拟合图形没有列出。其中在每一幅小图中都包含了目标函数曲线（用黑色实线表示），样本点（用黑色加号+表示），拟合的效果图（用红色实线表示），样本点与多项式之间的误差值（用红色点划线表示）。每幅图中的标题数字对应多项式的阶次。（见下页） 5.2多项式仿真结果分析 从以下各图中可以分析得到，在选取拟合区间为[-2,2]时，利用最小二乘法得到的多项式，随着多项式阶次的增大，多项式拟合目标函数曲线的拟合曲线效果越好，也就是说，随着阶次的升高，拟合误差越来越小。并且，从图形中可以直观地看出，当多项式的阶次为20时，拟合效果已经很