查看: 2291|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 |正序浏览

|招呼Ta 关注Ta

%利用神经网络进行函数逼近
5 p0 x6 x\" B4 H
clear all; F- `! i, X* }9 ~* q0 I) ?+ p
x=0:0.1*pi:4*pi;
( Q6 y6 t8 F, g& z* h! O) \( y- I6 B
y=sin(x);3 m: P( ]# i4 h2 E& R5 c1 I1 t
%设定迭代次数
# C6 Y7 i; V% |\" B: F) ~\" @; c0 Y
net.trainparam.epochs=10000;
( N; q! m; I4 o
%网络初始化) S4 {+ E3 O: U; L+ t/ F. l
net=newff([0,4*pi],[8,8,8,8,1],{'tansig','logsig','logsig','tansig','tansig'});5 z0 N8 N5 x1 F9 N
%训练网络
* g/ X( H\" I- y% _# S+ C
[net,tr,y1,e]=train(net,x,y);
6 D6 }3 ?6 e$ Q5 ?0 m: |\" B% a7 j
( M. F7 I4 {- U, E% e- j P. V
X=0:0.01*pi:4*pi;8 I; b0 S$ _5 a$ E: t( r
%网络泛化) t: o- ]- |; M5 `
y2=sim(net,X);1 @/ P6 c v\" U# u1 `& f2 ~
/ R\" q$ c( p) W+ v. ^$ J1 J! E: G
subplot(2,1,2);# Z- s* N+ M# E, \4 ^; c
plot(X,y2);& B8 h4 O& C* X3 x) e& r
title('网络产生')4 Y- t* p0 g( _5 s
grid on
o$ K1 T6 H; u9 c2 s
subplot(2,1,1);% z& X' F/ k/ g- g6 g4 ?( Z
plot(x,y,'o');
: Q0 f# P( a, Z# Q
title('原始数据')
1 H( a2 R, i1 z
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。