matlab 神经网络进行函数逼近
%利用神经网络进行函数逼近clear all
x=0:0.1*pi:4*pi;
y=sin(x);
%设定迭代次数
net.trainparam.epochs=10000;
%网络初始化
net=newff(,,{'tansig','logsig','logsig','tansig','tansig'});
%训练网络
=train(net,x,y);
X=0:0.01*pi:4*pi;
%网络泛化
y2=sim(net,X);
subplot(2,1,2);
plot(X,y2);
title('网络产生')
grid on
subplot(2,1,1);
plot(x,y,'o');
title('原始数据')
grid on这段 Matlab 代码使用神经网络逼近了正弦函数。以下是代码的逐行解释：
1.clear all: 清除当前工作区的所有变量。
2.x=0:0.1*pi:4*pi;: 创建一个包含值从0到4π的正弦函数输入数据。
3.y=sin(x);: 计算对应于输入数据的正弦函数输出。
4.net.trainparam.epochs=10000;: 设定神经网络的训练迭代次数为10000次。
5.net=newff(,,{'tansig','logsig','logsig','tansig','tansig'});: 创建一个前馈神经网络。 指定了输入范围， 指定了每个隐藏层的节点数， {'tansig','logsig','logsig','tansig','tansig'} 指定了每一层的激活函数。
6.=train(net,x,y);: 训练神经网络。train 函数返回了训练后的网络 net，训练记录 tr，输出 y1 和误差 e。
7.X=0:0.01*pi:4*pi;: 创建用于泛化的新输入数据。
8.y2=sim(net,X);: 使用训练好的神经网络对新输入数据进行泛化，得到输出 y2。
9.subplot(2,1,2);: 创建一个2行1列的图形窗口，并激活第2个子图。
10.plot(X,y2);: 在第2个子图中绘制神经网络泛化的输出。
11.title('网络产生'): 设置第2个子图的标题为"网络产生"。
12.grid on: 显示网格。
13.subplot(2,1,1);: 激活第1个子图。
14.plot(x,y,'o');: 在第1个子图中绘制原始的正弦函数数据。
15.title('原始数据'): 设置第1个子图的标题为"原始数据"。
16.grid on: 显示网格。
这段代码首先创建了正弦函数的一些样本数据，然后使用神经网络进行训练，并最后对新数据进行泛化。最后，通过两个子图可视化了原始数据和神经网络泛化的输出。
页:
[1]