《人工智能导论》课程研究报告.pptVIP

BP神经网络的非线性函数拟合 BP神经网络训练用非线性函数输入输出数据训练神经网络，使训练后的网络能够预测非线性函数输出。从非线性函数中随机得到2000组输入输出数据，从中随机选择1900组作为训练数据，用于网络训练，100组作为测试数据，用于测试网络的拟合性能。神经网络预测用训练好的网络预测函数输出，并对预测结果进行分析。 BP网络来拟合一个函数，说明BP网络在函数拟合中的作用。 训练好的数据对网络性能进行预测，从而判断网络拟合函数效果。 程序代码 %% 清空环境变量 clc clear %% 训练数据预测数据提取及归一化 %导入输入输出数据 load data input output %从1到2000间随机排序 k=rand(1,2000); [m,n]=sort(k); %随机选择1900组训练数据和100组预测数据 input_train=input(n(1:1900),:); output_train=output(n(1:1900)); input_test=input(n(1901:2000),:); output_test=output(n(1901:2000)); %训练数据归一化 [inputn,inputps]=mapminmax(input_train); [outputn,outputps]=mapminmax(output_train); 程序代码 %% BP网络训练 %初始化BP网络结构 net=newff(inputn,outputn,5); %网络参数配置（迭代次数、学习率、目标） net.trainParam.epochs=100; net.trainParam.lr=0.1; net.trainParam.goal=0.00004; %网络训练 net=train(net,inputn,outputn); %% BP网络预测 %预测数据归一化 inputn_test=mapminmax(apply,input_test,inputps); %网络预测输出 an=sim(net,inputn_test); %网络输出反归一化 BPoutput=mapminmax(reverse,an,outputps); 程序代码 %% 结果分析 figure(1) plot(BPoutput,:og) hold on plot(output_test,-*); legend(预测输出,期望输出) title(BP网络预测输出,fontsize,12) ylabel(函数输出,fontsize,12) xlabel(样本,fontsize,12) %预测误差 error=BPoutput-output_test; figure(2) plot(error,-*) title(BP网络预测误差,fontsize,12) ylabel(误差,fontsize,12) xlabel(样本,fontsize,12) figure(3) plot((output_test-BPoutput)./BPoutput,-*); title(神经网络预测误差百分比) errorsum=sum(abs(error)) 实验结果 实际输出数据和神经网络的预测输出之间的结果对比图 优势分析： 神经网络预测模块既用训练好的数据对网络性能进行预测，从而判断网络拟合函数效果。 《人工智能导论》课程研究报告 自动化1303班： 汪洋、房亮、彭正昌、蔡博、刘航、范金祥 BP神经网络的非线性函数拟合 BP神经网络模型 三层BP网络 BP神经网络的非线性函数拟合 运用背景 系统状态方程复杂的非线性系统，难以用数学方法精确建模。在这种情况下，可以建立BP神经网络表达这些非线性系统。该方法把未知系统看成是一个黑箱，首先用系统输入输出数据训练BP神经网络，使网络能够表达该未知函数，然后就可以用训练好的BP神经网络预测系统输出。 先取出若干组系统的输入输出数据对BP网络进行有效学习，然后就可以用BP网络来表达这个系统，在知道系统输入参数的情况下，可以网络来预测系统的输出值。本案例就是用BP网络来拟合一个标准测试函数，来说明BP网络的拟合能力，并探讨了BP网络在使用中注意的几个问题。 本案例拟合的非线性函数为y=x1^2+x2^2 BP神经网络的非线性函数拟合 模型建立 ： 基于BP神经网络的非线性函数拟合算法流程可以分为 1.BP神经网络构建 2.BP神经网络训练 3.BP神经网络预测 BP神经网络的非线性函数拟合 BP神经网络模块构建中确定神经网路的结构以及学习方式，根据拟合函数的形式，采用神经网络的格式为：输入层有两个节点，输出层有一个节点，隐含层有五个节点，隐含层传递函数是‘tansig’函数