查看: 2297|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8 C, x; O2 z$ V1 ~' J4 R- o9 u+ Z: o
clear all: s( ^$ v8 h0 b
x=0:0.1*pi:4*pi;+ ?/ X- O, U7 F+ k
y=sin(x);
8 b: n, B6 n7 A! c: }, O
%设定迭代次数
! P/ X$ @* N3 r- F& ]3 W
net.trainparam.epochs=10000;) E( p- n' n$ [2 z% M1 `$ T
%网络初始化
7 K' F4 W3 f+ J v9 K
net=newff([0,4*pi],[8,8,8,8,1],{'tansig','logsig','logsig','tansig','tansig'});
7 g\" d8 H: I8 i$ n' S1 _5 h. b0 U$ x
%训练网络& u8 K# D% {- ~% `: C/ P
[net,tr,y1,e]=train(net,x,y);
8 m8 b# Y- R. L+ m$ F, `2 w
1 }: }2 Y# F U! b+ y. F2 j
X=0:0.01*pi:4*pi;\" i9 E; o$ R0 x
%网络泛化/ Q, @\" W/ H/ Y1 b
y2=sim(net,X);9 t2 C/ d1 ]* Y# G* P
5 A, F. Q! R7 A' o6 S3 Y2 Q5 \
subplot(2,1,2);, r( n2 C3 |0 f4 V2 w5 l
plot(X,y2);& v' k8 B* b4 C4 D
title('网络产生')
* v$ ^\" e E0 f
grid on
* Y- P( N7 a& D+ z) s6 w
subplot(2,1,1);
; K- H$ ~! ^% [2 l$ x
plot(x,y,'o');0 ^! M* |2 B6 R
title('原始数据')% T* Y8 f, \* B( N! }# y
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。