基于BP神经网络的非线性拟合系统设计.docx

PAGEI

基于BP神经网络的非线性函数拟合系统设计

摘要

随着工业的快速进步与发展，数据拟合在工业应用中的作用越来越大。在实际的工程问题中，存在着许多复杂的工业模型，这些模型无法用数学公式表达。为了更精确地控制被控对象，数学模型的准确性是首要因素，因此非线性拟合模型在控制系统辨识中起着举足轻重的地位。针对上述问题，设计一种基于BP神经网络的非线性函数拟合系统。首先，以MATLAB为仿真平台，设计非线性公式，用MATLAB计算生成非线性数据；然后，采用BP神经网络为拟合模型，通过实验分析确定隐藏层个数、激活函数类型和学习率数值等相关模型参数；最后，通过选择均方误差MSE、平均绝对误差MAE和均方根误差RMSE为评价指标，对数据拟合模型进行训练和测试。实验结果表明，设计模型的平均绝对误差MAE为0.0090368，均方误差MSE为0.0063983，均方根误差RMSE为0.07999，满足设计要求，验证了算法的有效性。

关键词：非线性拟合；激活函数；BP神经网络；MATLAB仿真

PAGE25

目录

TOC\o1-3\h\z\u411482331绪论 1

8861937771非线性函数拟合研究相关概述 2

14597180941.1课题研究的背景及意义 2

6288225301.2国内外研究现状 2

8532348231.3论文章节安排 4

15693591422非线性函数的设计 5

8249471402.1非线性函数概述 5

7321569482.2数据集的生成 5

2805277262.2.1MATLAB数值计算 5

11028857172.3数据可视化 5

12688883622.4数据集的划分与保存 6

16940854243基于BP神经网络的非线性拟合模型设计 7

11555292423.1人工神经网络概述 7

12853504733.2BP神经网络基本原理 7

13473945383.3激活函数 9

4449425513.3.1sigmoid激活函数 9

6113958033.3.2Tanh激活函数 9

3.3.3Relu激活函数 10

13027387503.4损失函数 10

15343900853.4.1MSE均方误差 11

15105254193.4.2RMSE均方根误差 11

19965259463.4.3MAE平均绝对误差 11

11795900473.5梯度下降算法 12

19483744724实验分析与结果 13

14991014484.1实验平台的搭建 13

11198899324.2数据归一化 14

14434048164.2.1最大-最小归一化 14

13294660004.2.2Z-Score归一化 14

19151986124.3BP神经网络模型的结构设计原则 14

1106870014.3.1网络层数的确定 14

5955875054.3.2输入数据和输出数据的确定 14

6179178684.3.3各层节点的设计原则 14

1146905844.4神经网络结构设计和训练 15

13118139294.4.1神经网络模型隐含层节点数的确定 15

15895846014.4.2神经网络模型学习率的确定 16

14518203274.4.3神经网络模型训练及仿真结果 17

1035038675结论 20

绪论

BP神经网络结构作为在当代发展过程当中，应用率非常广泛的一种人工神经网络，在函数逼近以及模式识别和数据压缩等方面具有非常广泛的应用，并且整体也是具有大量简单处理单元来进行组成的，是一对非线性函数进行权值训练以及多层映射，网络结构简单，整体的工作状态比较稳定，并且在非线性函数进行选值预算的过程当中，能够呈现多层映射的网络。在进行学习的过程当中，能够储存大量的输入输出样本中所蕴含的映射关系，只要能够提供一定的样本模式，就能够对BP网络开展一定的训练模式，但是在之前一定要先了解对应的数学方程，然后再用BP神经网络结构来解决函数拟合方面的问题。

1非线性函数拟合研究相关概述

1.1课题研究的背景及意义

随着工业的日益繁杂多元，在部分项目实施过程中，可能存在着要对大批采集到的数据做函数拟合的需求。然而，这些数据是非线性的，根据目前的传统拟合方法，很难达到项