原创力文档- 1、本文档共18页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
BP和RBF函数逼近仿真
智能控制实验
专业: 电气系统检测与控制
学号: ys1310402008
姓名: 郜建良 实验一
（3) BP 选取样本
P=[-4:0.2:4];
for i=1:41;
T(i)=P(i)*cos(P(i))+((P(i))^2/1);
end
plot(P,T,+);
plot(P,T,+);
title(Training Vectors);
xlabel(Input Vector P);
ylabel(Target Vector T);
pause
进行训练
net=newff(minmax(P),[5 1],{tansig purelin},trainlm);
net.trainParam.show=10;
net.trainParam.goal=0.00001;
net.trainParam.lr=0.01;
net.trainParam.epochs=100;
[net,tr]=train(net,P,T);
进行测验
SP=[-4:0.5:4];
for i=1:17
ST(i)=SP(i)*cos(SP(i))+((SP(i))^2/1);
end
sy=sim(net,SP)
sy =
Columns 1 through 12
18.4584 15.6552 11.8582 8.2580 4.9471 1.9681 0.5020 0.1782 0.3026 0.6378 1.1553 1.8982
Columns 13 through 17
2.9458 4.4093 6.4325 9.1917 12.8860
sse=sumsqr(ST-sy);
plot(SP,sy,o);
hold off
1.改变隐层神经元数目
样本选取
P=[-4:0.2:4];
for i=1:41;
T(i)=P(i)*cos(P(i))+((P(i))^2/1);
end
plot(P,T,+);
title(Training Vectors);
xlabel(Input Vector P);
ylabel(Target Vector T);
Pause
神经网络建立
net=newff(minmax(P),[10 1],{tansig purelin},trainlm);
net.trainParam.show=10;
net.trainParam.goal=0.00001;
net.trainParam.lr=0.01;
net.trainParam.epochs=100;
[net,tr]=train(net,P,T);
分析：
当增加神经元数目时，由图像可以看出，训练函数可以逼近目标函数，且所取的点基本在全在函数线上。精度升高。
2.改变训练算法训练算法
P=[-4:0.2:4];
for i=1:41;
T(i)=P(i)*cos(P(i))+((P(i))^2/1);
end
plot(P,T,+);
title(Training Vectors);
xlabel(Input Vector P);
ylabel(Target Vector T);
Pause
net=newff(minmax(P),[5 1],{tansig purelin},traingd);
net.trainParam.show=10;
net.trainParam.goal=0.00001;
net.trainParam.lr=0.01;
net.trainParam.epochs=100;
[net,tr]=train(net,P,T);
分析：
当只改变训练函数时，会发现对仿真结果有很大的影响。精度降低。
改变学习率
P=[-4:0.2:4];
for i=1:41;
T(i)=P(i)*cos(P(i))+((P(i))^2/1);
end
plot(P,T,+);
title(Training Vectors);
xlabel(Input Vector P);
ylabel(Target Vector T);
pause
net=newff(minmax(P),[5 1],{tansig purelin},trainlm);
net.trainParam.show=10;
net.trainParam.goal=0.00001;
net.tra
文档评论（0）