查看: 2320|回复: 0

matlab 神经网络进行函数逼近

字体大小: 正常放大

1189 主题	4 听众	2934 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
, K2 }. |5 D3 }2 m( S6 t0 G( r! W
clear all# _0 d7 J4 c7 Y\" g, [\" n
x=0:0.1*pi:4*pi;8 |* w4 q2 `\" ]1 m* x9 ^
y=sin(x);
. R0 i) o4 ?3 v7 Q
%设定迭代次数
0 v% @; V% [' Z2 n# m
net.trainparam.epochs=10000;
- }' D9 g+ Y5 }; X/ a: M\" n. O
%网络初始化/ C6 j% R/ h) s* s4 R. _' d
net=newff([0,4*pi],[8,8,8,8,1],{'tansig','logsig','logsig','tansig','tansig'});2 l6 U7 G7 B+ d: g& x! A. Y7 M
%训练网络
* L. R3 U# h$ h
[net,tr,y1,e]=train(net,x,y);
: p, \5 w' z1 k
: e( k$ o3 I5 H3 {+ j, x+ D2 ]9 M
X=0:0.01*pi:4*pi;
- x/ F( V+ T# @/ \
%网络泛化
) r; {7 A: y9 v\" z' Z
y2=sim(net,X);: X2 q) T( k+ f; b1 w$ {
- [( E* y( J+ A5 O' Z! b3 j; |/ @
subplot(2,1,2);
; s+ [& b$ p' |' O( E7 `: k
plot(X,y2);
% I7 s9 Q( {, B8 w
title('网络产生') a0 ?* U' P* B: f6 G
grid on* q7 I2 |! n/ J; i0 e! k\" B
subplot(2,1,1);4 y7 L5 O/ a2 M
plot(x,y,'o');* ^1 k8 d4 e4 X3 k) [- e% [
title('原始数据')9 X2 z/ a1 w, N& V8 i\" Q% c- B7 m
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。