基于BP神经网络算法的正余弦函数逼近..docxVIP

实验二基于BP神经网络算法的正余弦函数逼近实验目的（1）掌握MATLAB子函数编写与调用。（2）理解BP神经元网络算法的原理，并利用程序实现通过BP算法逼近任意非线性函数。实验内容与实验要求掌握BP神经网络算法的原理。掌握MATLAB子函数的编写方法及调用方法。根据BP神经网络算法的原理，编写MATLAB程序，逼近非线性函数。实验原理q一个2×3×1的神经网络即输入层有两个节点，隐层含三个节点，输出层有一个节点，神经网络如图示。eX1X2图1 神经网络结构图图中为输入层与隐层的权值，为隐层与输出层的权值，、是神经网络的输入值，是网络的输出值，为教师信号，为神经网络的实际输出与期望输出的误差。在这个神经网络中，节点1，2是输入层，节点3，4，5是隐层，节点6是输出层；输入层和隐层之间的权值依次，隐层和输出层间的权值为，下角标为节点的编号；隐层和输出层节点的阈值依次为，，，。①前馈计算设隐层的第个节点的输入和输出分别为：其中为激励函数 由于隐层的输出就是输出层的输入，则输出层第个节点的总输入和输出分别为：若网络输出与实际输出存在误差，则将误差信号反向传播，并不断地修正权值，直至误差达到要求为止。②权值调整设误差函数定义为：为了简便，以下计算都是针对每个节点而言，误差函数记作。输出层权值的调整权值修正公式为： 定义反传误差信号为：式中所以 又 由此可得输出层的任意神经元权值的修正公式：或 (隐层权值的调整 式中 由于误差函数与隐层输入不存在直接的函数关系，因此不能直接求得，所以隐层的反传误差信号为由此可得，隐层权值的修正公式为；或实验设备计算机MATLAB软件实验流程初始化循环1开始，计算三角函数y=sin(4*3.14*k1*s/360)的值循环2开始，进行前馈的计算，x(k+1)=x(k)+q(k)，out1(k+1)=(1-exp(-x(k+1))) / (1+exp(-x(k+1)))；out2(k+1)=1/(1-exp(-x(k+1)));n1(k+1)=y1(k+1)=1/(1+exp(-n2(k+1))),y2(k+1)=(1-exp(-n2(k+1)))/(1+exp(-n2(k+1)))计算偏差e2(k+1)=(y(k+1)-y2(k+1))^2/2;修正项xj1(k+1)=e2(k+1)-e2(k);xj2(k+1)=e2(k+1)-2*e2(k)+e1(k);反传信号的偏差为δ(k+1)=y1(k+1)*(1-y2(k+1))*(y(k+1)-y2(k+1))调整隐层权值ΔΔq=q1-q0;q2(k+1)=q1(k)+0.8*Δ+0.4*Δq;ΔΔq0(k+1)=q1(k);q1(k+1)=q2(k+1).调整输出层权值Δh=;w20(k+1)=w21(k);w21(k+1)=Δp=p(k+1)-p(k);p(k+1)=p(k)+0.9*Δpp1(k+1)=p1(k);p1(k+1)=p(k+1).判断偏差e，若小于0.0000001，则循环2结束；否则，跳转执行步骤（2）直到循环1结束。得出实验结果为三角函数y=sin(4*3.14*k1*s/360)与逼近曲线的图形。实验结果实验结果分析利用BP神经网络算法基本能实现非线性函数的逼近，但只能对正余弦进行逼近。在函数y取得最大值时，误差比其他区域要大，说明在峰值时刻的点越难逼近。而且逼近的程度与权值的加权系数有很大关系。实验代码%BP Algorithms Program%Giving initial value;%初始化w10=[0 0;0 0;0 0];w11=[0 0;0 0;0 0];w20=[0;0;0];w21=[0;0;0];q0=[0 0 0];q1=[0 0 0];p0=0;p1=0;xj=[0;0];e0=0;e1=0;e2=0;k1=5;k2=100;for s=1:72 yp1=sin(4*3.14*k1*s/360);for k=1:k2;%前馈计算 %得到m1,o1两个数组（3 * 1 ）fori=1:3x=w11(i,1)*xj(1,:)+w11(i,2)*xj(2,:); %xj(1,:)表示取行 q1(:,i)表示取列 z=x+q1(:,i); %相当于加一个初始化时的值 o=(1-exp(-z))./(1+exp(-z)); % 算的是Oi激励函数1为f1(z)=(1-e^(-z))/(1+e^(-z)) m=1./(1+exp(-z)); % 算的是Oi1 激励函数2为f2(z)=1./(1+e^(-z)) m1(i,: