查看: 2290|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- |* N- p0 Z2 o4 E
clear all
. q6 \0 k2 L8 ~
x=0:0.1*pi:4*pi;
- q3 _/ k% K5 N8 E8 O\" E
y=sin(x);
. Y0 P; b+ T) ~- P7 E! Z9 S
%设定迭代次数6 d, J7 J# b# f5 y\" ~+ t5 c
net.trainparam.epochs=10000;* G& P2 V3 r. A
%网络初始化
9 S4 B/ X& L- v\" g: m
net=newff([0,4*pi],[8,8,8,8,1],{'tansig','logsig','logsig','tansig','tansig'});
0 A+ e, j- d, p% f/ b6 x
%训练网络3 n/ ~2 t: N! G* V
[net,tr,y1,e]=train(net,x,y); U8 t6 h5 J1 N0 p
. r5 G) u# j$ H ?( L: r4 d
X=0:0.01*pi:4*pi;
\" y1 F: I: b7 E
%网络泛化% B- P8 w7 V. T8 O) v
y2=sim(net,X);$ B/ u0 m: C3 j
: j! e+ y- s, S9 N
subplot(2,1,2);
\" G) Q8 ]0 u' R% L+ m
plot(X,y2);
! x+ l\" @4 l( f5 G
title('网络产生')
8 x1 q4 ^0 X; W3 p2 v, l. x5 {
grid on' k6 U3 D/ I* c6 Q1 ?6 n- W' e\" T3 I
subplot(2,1,1);7 ^. p: X+ V8 \8 A3 {+ p
plot(x,y,'o');1 }! Q7 `! ~8 b: z8 V; ~% k
title('原始数据')1 H! s; L9 ^& o: j/ o
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。