神经网络大作业函数拟合.docxVIP

人工神经网络第一次作业 题目:使用函数/二严?sin(cu)试验MATLAB中的BP算法 1、 改变不同训练算法，观察效果； 2、 改变参数a,c的值，观察效果； 3、 改变隐层神经网络个数，观察效果； 4、 尝试：加入噪声的训练效果。 一、改变不同训练算法，观察效果 在MATLAB中，BP网络的训练函数一共有以下几种，改变不同训练算法, 观察效果就是在英他参数不变只改变程序屮训练函数的情况下，得到不同训练算 法的训练结果。 训练方法 训练函数 梯度下降法 traingd 有动量的梯度下降法 traingdm 口适应11?梯度下降法 traingda 口适应11?动量梯度下降法 traingdx 弹性梯度下降法 trainip Fletcher-Reeves共轨梯度法 traincgf Ploak-Ribiere共轨梯度法 traincgp Powell-Beale共轨梯度法 traincgb 量化共辘梯度法 trainscg 拟牛顿算法 trainbfg 一步正割算法 trainoss Levenberg-Marquardt 法 trainlm 由于这只是改变程序中的训练算法，其他不变，所以为了简洁，在本程序中 只选取了四种训练算法，分别是梯度下降法traingd.弹性梯度下降法trainrp.拟 牛顿算法trainbfg和Levenberg-Marquardt法trainlm,只更改不同的训练算法來 构造节点，程序如下，得到不同训练算法卜?的仿真图如图1所示。 clear all； close all； clc ； a=l,c=l； 舁汕匕改变az c的值 laye r_numbe r=20； %在此改隐含层的个数 u=-4:0.001: 4 ; t=exp (-a*u) . *sin(c*u)；咎这里是矩阵相乘，要用点乘 net=newff(minmax(u), [1aye r_numbe r,1],{tansig, purelin}, traingd)； %梯度下降法 yl=sim(netzu)池未训练直接输出 netl=newff(minmax(u), [1ayer_number,1] z{tansig, purelin}z traingd) 沦梯度下降法 net2=newff(minmax(u), [1ayer_number,1] z{tansig, purelin}z trainrp) 沦弹性梯度下降法 net3=newff(minmax(u), [1aye r_numbe r z1] ,{tansig 1, purelin1}, trainbfg1 )代拟牛顿算法 net4=newff(minmax(u), [1aye r_numbe r z1] ,{1 tansig 1, 1purelin1}, 1trainlm1) ；%Levenberg-Marquardt net?trainParam.show = 50； net?trainparam.epochs=1000； net.trainparam?goal=0.01； netl = train (netlzu, t) ； %采用梯度F降法训练节点 net2=train(net2,u,t) ；%采用弹性梯度下降法训练节点 net3=train(net3,u,t) ；%采用拟牛顿算法训练节点 net4=train (net4 , u, t) ; %采用 Levenberg-Marquardt 法训练节点 y2_l=sim(netl,u)； y2_2=sim(net2,u)； y2_3=sim(net3,u); y2_4=sim(net4,u); subplot(2,2,1) plot (u, t z b-J ,u,yl r- * )； 采用梯度下降法的仿真结果图 1)；xlabel(1input_u1)；ylabel(1output_y1)； legend (-冃标函数曲线-,-未经训练BP网络逼近曲线-,-训练麻的BP网络逼近曲线?); subplot(2,2,2) plot(u,tz b--,u,yl,g：,u,y2_2,r-*); title(-2.采用弹性梯度下降法的仿真结果图 1)；xlabel(1input_u1)；ylabel(1output_y1)； legend (-冃标函数曲线-,-未经训练BP网络逼近曲线-,-训练麻的BP网络逼近曲线?); subplot(2,2,3) plot (u, t z b-」，u,y2_3, r- * ); title「3、采用拟T顿算法的仿真结果图 1)；xlabel(1input_u1)；ylabel(1output_y1)； legend (-冃标函数曲线-,-未经训练BP网络逼近曲线-,-训练麻的BP