神经网络作业(函数逼近)概要1.docx

智能控制理论及应用作业1资料查询BP 神经网络的主要应用：人脸识别、风电功率预测、短时交通流混沌预测、高炉熔渣粘度预测、汇率预测、价格预测、函数逼近等Rbf神经网络的主要应用：函数逼近、短时交通流预测、模式识别、降水预测、民航客运量预测、遥感影像分析、声纹识别、语言识别、人脸识别、车牌识别、汇率预测Hopfield网络应用：车牌识别、图像识别、遥感影像分类、字母识别、交通标志识别、优化计算中的应用、联想记忆存储器的实现、2 BP编程算法：2.1 利用样本训练一个BP网络注：此程序自李国勇书中学习而来程序部分：function [ output_args ] = bp( input_args )%UNTITLED Summary of this function goes here% Detailed explanation goes here%此设计为两层BP神经网络，3输入，3隐含层节点，两个输出%初始化部分：lr=0.05; %%需要给定学习速率error_goal=0.001; %期望的误差max_epoch=100000; %训练的最大步长a=0.9; %惯性系数Oi=0;Ok=0;%给两组输入，以及目标输出：X=[1 1 1;-1 -1 1;1 -1 1;]; %随便给一组输入输入，训练BP网络T=[1 1 1 ;1 1 1];%X=-1:0.1:1; %输入范围%T=sin(pi*X);%X=[]q=3; %隐含层的节点数自己定义，在此给3个%初始化[M,N]=size(X); %输入节点个数为M,N为样本数[L,N]=size(T); %输出节点个数为Lwij=rand(q,M); %先给定加权系数一组随机值wki=rand(L,q);wij0=zeros(size(wij)); %加权系数矩阵的初始值wki0=zeros(size(wki));for epoch=1:max_epoch %计算开始 NETi=wij*X; %各个隐含层的净输入 for j=1:N for i=1:q Oi(i,j)=2/(1+exp(-NETi(i,j)))-1; %再输入作用下，隐含层的输出 end end NETk=wki*Oi; %各个输出层的净输入 for i=1:N for k=1:L Ok(k,i)=2/(1+exp(-NETk(k,i)))-1; %在输入作用下，输出层的输出 end end E=((T-Ok)*(T-Ok))/2; %性能指标函数，就是误差 if(Eerror_goal) break; %判断是否满足误差，满足的话就直接跳出计算 %不满足的话，就要修正加权系数 else deltak=Ok.*(1-Ok).*(T-Ok); %计算△k w=wki; wki=wki+lr*deltak*Oi+a*(wki-wki0); wki0=w; deltai=Oi.*(1-Oi).*(deltak*wki); %计算△i w=wij; wij=wij+lr*deltai*X+a*(wij-wij0); wij0=w; end epoch %当前是第多少步 X1=X; %保护当前的输入 NETi=wij*X1; %再一次计算隐含层的输入输出 for j=1:N for i=1:q Oi(i,j)=2/(1+exp(-NETi(i,j)))-1; % end end NETk=wki*Oi; %再一次计算输出层的输出 for i=1:N