.计算机实践数学实验报告.docxVIP

计算机实践数学实验报告 （一） 实验名称：神经网络模型 问题描述 利用BP算法及sigmoid函数，研究以下各函数的逼近问题 fx=1x , 1≤x≤100 fx=sin?x, 0≤x≤π2 对每一函数要完成如下工作： 获取两组数据，一组作为训练集，一组作为测试集； 利用训练集训练一个单隐层的网络；用测试集检验训练结果，改变隐层单元数，研究它对逼近效果的影响. 2． 给定待拟合的曲线形式为 fx=0.5+0.4sin?(2πx) 在fx上等间隔取11个点的数据，在此数据的输出值上加均值为0，均方差σ=0.05的正态分布噪声作为给定训练数据，用多项式拟合此函数，分别取多项式的阶次为1，3和11阶，图示出拟合结果，并讨论多项式阶次对拟合结果的影响. 实验目的 运用神经网络模型的知识解决上述问题； 改变网络构造，研究不同逼近效果. 高次多项式拟合出现的现象. 实验原理与数学模型 问题一利用多层前馈网络求解. 输入层每个数据包含两个元素，分别为自变量和因变量. 输出层包含一个元素目的是将结果进行区分. 判断输入的数据是否满足相应的函数关系. 所以输出层的结果为1，分别表示满足函数关系. 多层前馈网络 单隐层的单元个数对输出结果的逼近有一定的影响. 不一定会出现准确的1，可能接近于1. 改变其个数查看相应的逼近效果. 问题二用不同阶多项式拟合函数，也可以选取多层前馈网络. 单隐层单元数目对应阶数. 输入层包含一个元素即自变量. 输出层包含一个元素即因变量. 选取数据并加入高斯噪声后进行训练，得到不同的网络. 再对数据进行预测，得到多项式拟合结果. 主要内容： 针对fx=1x , 1≤x≤100选取训练集：输入为x|x=1+10k,k=0,1,2,…,9,y=f(x). 输出均为1. 测试集：输入为：x*|x*=5+30k,k=0,1,2,3,y*=f(x*). 将训练级和测试集放在一个图中，它们是同一个函数上的点. 网络结构选定相应的参数，对数据进行训练. 将分别将训练集和测试集代入网络结构，得到输出结果. 单隐层设置不同的单元数进行训练. 针对第二个函数进行类似操作. 针对问题二中的函数fx=0.5+0.4sin?(2πx)选取x|x=0.1k,k=0,1,2,…,10为输入值. y=fx，x∈x|x=0.1k,k=0,1,2,…,10, 对y加均值为0，均方差σ=0.05的正态分布噪声后的结果作为训练集. 网络结果中单隐层单元数分别设置2,4,12. 其它参数做相应设定后进行训练. 对x|x=0.1k,k=0,1,2,…,10进行预测，做出图像. 实验过程记录 第一题第一个函数的代码如下（第二个函数的类似，不列出）： clear all; x1=1:10:91; y1=1./x1; x11=5:30:95; y11=1./x11; p1=[x1;y1]; p11=[x11;y11]; pr=minmax(p1); goal=ones(1,10); plot(p1(1,:),p1(2,:),h,p11(1,:),p11(2,:),o) net=newff(pr,[10,1],{logsig,logsig}); net.trainParam.show = 10; net.trainParam.lr = 0.05; net.trainParam.goal = 1e-10; net.trainParam.epochs = 50000; net = train(net,p1,goal); x=[p11]; y0=sim(net,p1) y=sim(net,x) 第二题的部分代码如下： clear all; x=0:0.1:1 y0=0.5+0.4*sin(2*pi*x) noise=normrnd(0,0.05,1,11); y0=y0+noise; …… net2=newff(pr,[4,1],{logsig,logsig}); net2.trainParam.show = 10; net2.trainParam.lr = 0.05; net2.trainParam.goal = 1e-10; net2.trainParam.epochs = 50000; net2 = train(net2,x,goal); y2=sim(net2,x) …… plot(x,y0,h,x,y1,o,x,y2,.,x,y3,*) 实验结果及实验总结 第一题： 不同单元个数下的预测结果 3个 1.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.0000 8个