查看: 2296|回复: 0

matlab 神经网络进行函数逼近

字体大小: 正常放大

1186 主题	4 听众	2922 积分

该用户从未签到

电梯直达

1^#

发表于 2023-12-23 10:37 |只看该作者 |倒序浏览

|招呼Ta 关注Ta

%利用神经网络进行函数逼近
% z\" Y( z1 z: O( \) y9 N: w1 C
clear all5 F% q. B5 q% I# ~( u2 f/ Y4 E
x=0:0.1*pi:4*pi;
; p! L+ ~3 f. \: O6 {
y=sin(x);
9 z: l5 K0 J/ t# K
%设定迭代次数+ p$ ]8 |/ b( X% a: t, M
net.trainparam.epochs=10000;
\" L2 k! E\" r4 C6 M* _. m4 \% k
%网络初始化6 S6 h2 U' T% O: {( c# t4 a/ U$ ?
net=newff([0,4*pi],[8,8,8,8,1],{'tansig','logsig','logsig','tansig','tansig'});
6 a+ ]1 w0 G2 Q+ ^' O9 r# |- B
%训练网络. x6 r5 H! ^6 `9 v( j
[net,tr,y1,e]=train(net,x,y);
7 ]/ P5 H6 r) [8 Z% |
, ^$ a- v; t+ u# B# O
X=0:0.01*pi:4*pi;
1 y& Z1 n8 F6 g! b( T1 Q
%网络泛化
. o) q6 ?# i/ a6 M; k: Y
y2=sim(net,X);
\" z6 L. S+ F; ]5 V R: B
4 ?) R/ e& z- _3 d
subplot(2,1,2);' A! m b: e% N# J1 m: v, \0 J
plot(X,y2);; Q' W0 P0 r8 g7 |; ~
title('网络产生')
4 N r/ j& \+ k$ ?& ?
grid on( I6 z; n) h9 G0 S+ c' d9 n9 c
subplot(2,1,1);
! O$ F) C; w8 T0 v1 L
plot(x,y,'o');% q1 o1 o7 t! j2 [( H' y\" Q
title('原始数据')
9 d6 v, c$ }6 h: T! d l
grid on

复制代码

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([0,4*pi],[8,8,8,8,1],{'tansig','logsig','logsig','tansig','tansig'});: 创建一个前馈神经网络。[0,4*pi] 指定了输入范围， [8,8,8,8,1] 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.[net,tr,y1,e]=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。