查看: 431|回复: 0

matlab 神经网络进行函数逼近

字体大小: 正常放大

781 主题	1 听众	1961 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5 b9 ?1 w- `1 }$ T, O
clear all7 ]! k' X, C' X\" n' Q' ?- Z: _
x=0:0.1*pi:4*pi;
1 B& a; t0 d4 }% z7 C+ a) J
y=sin(x);% D& K! p3 e. ?7 ]& v$ ?
%设定迭代次数
9 f! u0 m3 \) ]% L1 e\" V
net.trainparam.epochs=10000;' {* m; O6 X: z/ p/ t
%网络初始化$ z6 b6 C% t3 S( M0 J
net=newff([0,4*pi],[8,8,8,8,1],{'tansig','logsig','logsig','tansig','tansig'});
' H L- E$ S4 k, G1 r! p% ~7 \
%训练网络
! H' V: [5 _* x
[net,tr,y1,e]=train(net,x,y);9 V$ k1 w\" M9 t1 n& e6 o
+ v. O4 G9 n' |* i1 R0 U$ J4 C
X=0:0.01*pi:4*pi;- [9 ?9 @, {0 i* Z/ u( ^
%网络泛化; j( n. {/ v D$ f0 h2 O( @+ W
y2=sim(net,X);
& C; J# D5 ]( N
- z0 [! E4 }* i, g( P
subplot(2,1,2);
1 S3 }$ P* e- b6 y- Y
plot(X,y2);/ h* C\" @\" I( u
title('网络产生')8 _& b' A0 D3 c8 Z$ R
grid on
9 n6 e; J' e) t# l\" Z
subplot(2,1,1);
4 y; E0 ~% l0 d' T' T
plot(x,y,'o');6 i& ^$ H. y& z\" b# B3 H
title('原始数据')/ A9 C E. J! i* z\" g$ D
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。