查看: 2321|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 |正序浏览

|招呼Ta 关注Ta

%利用神经网络进行函数逼近
& `9 B; p, a+ B' V! N
clear all2 t0 H- I. ]& E\" l\" W* n
x=0:0.1*pi:4*pi;8 k. y0 C2 b/ ]# C
y=sin(x);
7 l2 | T( f/ z* H1 Y/ [. E+ g& T
%设定迭代次数
5 W, j7 p3 X# `2 D+ r
net.trainparam.epochs=10000;2 Q/ w5 ]! c, _
%网络初始化. ~- M5 @/ G- }9 G y
net=newff([0,4*pi],[8,8,8,8,1],{'tansig','logsig','logsig','tansig','tansig'});
1 `( g( e& Q8 s
%训练网络- v. J: Q! S/ ^) M
[net,tr,y1,e]=train(net,x,y);) W5 D2 L+ k& d2 G2 N5 s
' @' U) \; U% e+ P& I
X=0:0.01*pi:4*pi; o$ A9 g6 ~) S2 x
%网络泛化% o9 _) R3 ]/ C- K. r- z
y2=sim(net,X);
$ \. R' y# l9 B5 f\" z# J
: M5 ^# }4 z7 j( A# W
subplot(2,1,2);' X! g8 z. }6 J9 R( y
plot(X,y2); ^% B3 G3 O) S* w
title('网络产生') ]! ~5 ~+ C* h# _
grid on, V X0 Q* {7 A) }
subplot(2,1,1);* X( I ?! @, x\" |* h- U
plot(x,y,'o');9 m. b$ W- S) a. u, f4 f
title('原始数据')
. r0 ?$ E# ^- V
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。