查看: 2344|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
6 y7 B5 ~5 I8 t! z: h3 m( z' H6 N
clear all
2 J% q% J4 ?1 N( A
x=0:0.1*pi:4*pi;, E8 H6 z; c9 X! X
y=sin(x);+ u8 {6 m. [8 C\" D# M9 o1 }
%设定迭代次数8 S9 R3 I5 M% ~7 l5 T
net.trainparam.epochs=10000;* p3 z/ z. V; R+ v. k$ ?
%网络初始化\" X( W; S. J, S# _' Q
net=newff([0,4*pi],[8,8,8,8,1],{'tansig','logsig','logsig','tansig','tansig'});
/ i$ g' k; j) d( x% B
%训练网络
; L% W F B1 K
[net,tr,y1,e]=train(net,x,y);
: L. N/ ^0 b' H9 y, M
3 f# x0 k0 f5 V
X=0:0.01*pi:4*pi;; f6 {- p# }% \* e' L) n) @
%网络泛化
9 g( D8 O' Y6 z% q) C
y2=sim(net,X);+ p& T. X: I: G5 j* R
' @2 k7 j; k6 k, ]
subplot(2,1,2);
' H4 |# w/ L4 P, k7 W e. b
plot(X,y2);) j\" x- c5 P1 S# {4 J+ M5 l3 E( g
title('网络产生')% q5 H* h p5 L! r) t. l
grid on P6 p$ f* S t2 _$ ?3 ]/ X
subplot(2,1,1);. k9 `3 H' \; d5 Z, G
plot(x,y,'o');
2 H+ y2 d0 d; E1 N: M; W* ~5 f2 K
title('原始数据')
# G4 c' f- U$ q3 q( Q8 n0 f( v8 ?7 [
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。