课题：使用BP网络逼近非线性函数.docVIP

课题：使用BP网络逼近非线性函数 用BP网络逼近非线性函数 （1）训练输入样本集p=-1:0.0005:1；训练输出样本集t=f (X)。测试输入集取为p1=p。 （2）采用三层BP网络, 隐层取10个节点。隐节点作用函数选择对称型S函数（tansig），输出节点为线性（purelin）。 （3）权值调整算法采用最陡下降法（trainlm）。 （4）训练次数为1000次，精度为0.0001。 图2、3所示为仿真结果，从图中可以看出构造的BP网络基本能够逼近原函数。 三 仿真结果 本报告使用MATLAB进行仿真，仿真结果如 由仿真结果可以看出，训练网络的仿真输出曲线和原始曲线非常接近， 这说明训练后的网络对非线性函数的逼近效果很好。 MATLAB程序详见附录一。 四 结论 神经网络最强大的应用之一就是函数逼近， 即从训练样本出发，对未知函数进行非线性逼近。而网络的拓扑结构直接影响网络对函数的逼近能力和效果。因此，在实际应用中， 应根据具体问题， 选择一个合适的网络结构。通过反复实验，作者发现，网络隐层单元神经元数目越多，或者训练次数越多，精度越小，也就越能实现对非线性程度越高的函数进行更好地逼近。 附录一： %定义要逼近的非线性函数 p=[-1:.0.0005:1]; t=1.1*(1-p+p.^2*2)*exp(-p.^2/2); figure（1）; plot(X,T); title(要逼近的非线性函数); xlabel(p); ylabel(非线性函数); %建立相应的BP网络 net=newff(minmax(p),[20,1],{tansig purelin},trainlm); %对没有训练的网络进行仿真 y1=sim(net,p); figure(2); plot(p,t,p,y1,--); title(没有训练的网络仿真结果); xlabel(X); ylabel(仿真输出(--) 原函数); %训练网络，设定训练时间为1000个单位时间，训练目标的误差小于0.0001 net.trainParam.epochs=1000; net.trainParam.goal=0.0001; %对训练后的网络进行仿真 net=train(net,p,t); y2=sim(net,p); %绘出原函数与训练前后的仿真结果 figure(3); plot(p,t,p,y2,--); title(训练后的网络仿真结果); xlabel(p); ylabel(仿真输出(--) 原函数);