基于BP神经网络的函数逼近方法及其MATLAB实现 作者李超群 蒋.doc

基于BP神经网络的函数逼近方法及其MATLAB实现 作者：李超群 蒋良孝 摘 要：MATLAB软件及其BP神经网络工具箱函数的应用，结合一个实际的例子详细阐述了基于BP神经网络的函数逼近过程及其MATLAB实现方法。 数值计算方法已经在各个学科领域得到了广泛应用，并且促使新的有效数值方法不断出现。计算工具的使用为科学计算带来了很大的方便，但由于计算机字长的限制，许多复杂的、大规模的计算问题需简化。神经网络是对生物神经系统的模拟，其信息处理功能是由网络单元 神经元 的输入输出特性 激活特性 、网络的拓扑结构 神经元的连接方式 、连接权的大小 突触联系强度 和神经元的阂值 视作特殊的连接权 所决定的。在神经网络的实际应用中，绝大部分的神经网络模型使用的是BP神经网络或其变化形式，它也是前馈神经网络的核心部分。BP神经网络的主要特点是非线性映射能力，这种能力使其能够对任意非线性函数进行很好的逼近。鉴于函数逼近及BP神经网络的这些特点，本文提出了基于BP神经网络的函数逼近方法。此外，本文开创性地遗弃了C、C++、VC等传统的高级编程语言，采用功能强大的MATLAB语言编程，直接调用MATLAB软件包中的BP神经网络工具箱函数，使程序简捷明了，达到了事半功倍的效果。 BP神经网络及其函数垣近能力 BP神经网络是一种单向传播的多层前馈网络，网络除了有输入输出节点外，还有一层或多层的隐含层节点，同层节点中没有任何连接，层间节点中实行全连接。输入信号从输入层节点依次传过各隐含层节点，最后传到输出层节点。每层节点的输出只影响下一层节点的输出。各层节点的传递函数通常为双曲正切S型 sigmoN 函数，但输出层节点的传递函数有时为线性函数。 BP神经网络可以看作是一个从输入到输出的高度非线性映射，即严：及”i及”，／ J ＝y。对于样本集合：输入xi E及” 和输出yJ E及” ，可认为存在某一映射好使得8 Xj ＝y6 i＝1，2，A n 成立。现要求出一个映射人使得在某种意义下 通常是最小二乘意义下 ，／是g的最佳逼近。BP神经网络通过对简单的非线性函数进行数次复合，可以近似复杂的函数。K01mogorov定理 即映射网络存在定理 保证任一连续函数可由一个三层前向网络实现，但它没有提供任何构造这样一个网络的可行方法。通过BP定理可知，只要用一个三层BP神经网络就可在任意希望的精度上实现任意的连续函数。但实际上，还要使用更多层的BP神经网络，其原因是用三层BP神经网络来实现往往需要大量的隐含层节点，而使用更多层的BP神经网络来实现可减少隐含层节点的数目。．An何选取隐含层的层数和节点数，至今还没有确切的方法和理论，通常是凭借对学习样本和测试样本的误差交叉评价的试错法选取。 BP神经网络的学习过程由正向和反向传播二部分组成。在正向传播过程中，每一层神经元的状态只影响到下一层神经元网格。如果输出层不能得到期望输出，就是实际输出值和期望输出值之间存在误差，从而转入反向传播过程，将误差信号沿原来的连接通路返回。通过修改各层神经元的权值，逐次地向输入层传播并进行计算，再进行正向传播。这二个过程的反复运用，使得误差信号最小。实际上，误差达到人们所希望的要求时，网络的学习过程就结束。 MATIJAB软件及其BP神经网络工具箱函数 为了解决数值计算与计算机仿真之间的矛盾，美国Math Works公司推出了一套高性能的数值计算和可视化软件包MATLAB。它集数值计算、图形计算、语言设计、计算机仿真等于一体，具有极高的编程效率。更具特色的是MATLAB集中了许多领域专家学者的智慧，成功地扩展了30多个专业领域工具箱，如生物医学工程、图像处理、模糊控制、神经网络等。其中，神经网络工具箱是MATI‘AB环境下开发出来的许多工具箱之一，它是以神经网络理论为基础，用MATI‘AB语言构造出典型神经网络的工具函数。MATI‘AB中专门编制了大量有关BP神经网络的工具箱函数，为BP神经网络的应用研究提供了强有力的工具。本文用到的主要工具箱函数有： 1 神经元传递函数：pureIi M 为一线性传递函数，利用BP算法训练的输出层神经元经常采用它；tan sig 为一双曲正切S型 sigmoid 传递函数，用于将神经元上范围为 —M，十M 的输入值映射到区间 —1，十1 上，利用BP算法训练的隐含层神经元中经常采用它。 2 网络建立函数：Mewff 用于建立一个前馈BP神经网络。 3 网络训练函数：trai M 用于训练建立的BP神经网络。 4 网络仿真函数：sim 用于仿真训练前后的BP神经网络。 基于BP神经网络的函数逼近过程及其MATLAB实现 下面将结合一个实例详细阐述基于BP神经网络的函数逼近过程及其MATLAB实现方法。设要逼近的非线1/2，性函数为：Y＝