[逼近sin函数.doc

人工神经网络作业 王辉鹏 （华南理工大学自动化科学与工程学院，2004级硕士研究生，学号200420109189） 1．作业： 设计一个前向网络逼近一个函数，该函数为 要求使用两种方法，第一种用随机方法逼近，第二种用统计方法逼近。 设计一个BP网络模型，源代码如下： clear step_length=0.9 %input(请输入步长，建议为0～2： ); N=20 %input(请输入采样点数，建议为20： ); M=10 % input(请输入隐层节点的数目,建议为2～10： ); b=0.7 %input(输入惯性因子，建议为0～0.8: ); % tic,t=cputime; Training=30000; X=zeros(2,N); d=zeros(1,N); y=zeros(1,N); for i=0:N-1; X(1,i+1)=-1.57+3.14*i/N; %X(1,i+1)=2*pi*i/N; X(2,i+1)=-1.57+3.14*i/N; %X(2,i+1)=2*pi*i/N; d(i+1)=0.5+0.4*sin(X(1,i+1)+X(2,i+1)); %d(i+1)=sin(X(1,i+1)+X(2,i+1)); end % plot3(X(1,:),X(2,:),d); % grid on; W=randn(2,M); % 输入层到隐含层的权值(0-1) B=randn(1,M); % 隐含层对应的阈值 V=randn(1,M); % 隐含层到输出层的权值（包含输出层的阈值） V1=randn(1); % 输出层的阈值 P=zeros(M,1); % 隐含层的输入 Q=zeros(M,1); % 隐含层的输出 vv=zeros(M,1); ww1=zeros(M,1); ww2=zeros(M,1); bb=zeros(M,1); for NUM=1:Training; E=0; Emax=0; for k=1:N; % 单个样本 Z=0; P=W*X(:,k)+B;%对应隐含层输入（M行1列） I=ones(M,1); Q=I./(I+exp(-P)); %对应隐含层输出（M行1列） Z=V*Q+V1; % 输出层的输入 y(k)=1/(1+exp(-Z)); %输出层的输出 e=0.5*(d(k)-y(k))*(d(k)-y(k)); if e0.0002 ww1=step_length*(d(k)-y(k))*y(k)*(1-y(k))*X(1,k)*((Q.*(I-Q)).*V); %输入到隐含层的权值的调整，对应节点1(X1)(M*1) ww2=step_length*(d(k)-y(k))*y(k)*(1-y(k))*X(2,k)*((Q.*(I-Q)).*V); %输入到隐含层的权值的调整，对应节点2(X2)(M*1) bb=step_length*(d(k)-y(k))*y(k)*(1-y(k))*((Q.*(I-Q)).*V); %对应隐含层阈值的调整，(M*1) W(1,:)=W(1,:)+ww1; W(2,:)=W(2,:)+ww2; B=B+bb; vv=step_length*(d(k)-y(k))*y(k)*(1-y(k))*Q; vv1=step_length*(d(k)-y(k))*y(k)*(1-y(k)); %