matlab 神经网络进行函数逼近

2744557306

1. %利用神经网络进行函数逼近
   4 l  k) a\" ?( g( u- c
2. clear all
   4 R4 k' Y2 O1 s, G. _0 t  R5 z3 z
3. x=0:0.1*pi:4*pi;
   ! g$ O  b! f6 F5 W
4. y=sin(x);  j3 b+ _7 [; K3 l- i+ p4 m
   
5. %设定迭代次数
     u+ C* ?$ R5 ^2 }0 d
6. net.trainparam.epochs=10000;
   ' I\" k* Y\" G: f% q2 }  X
7. %网络初始化
   4 o; ]; b. `5 ]4 a5 R% S% e. {
8. net=newff([0,4*pi],[8,8,8,8,1],{'tansig','logsig','logsig','tansig','tansig'});$ P5 ^9 q3 |  W( B
   
9. %训练网络( k! D5 z8 v& G
   
10. [net,tr,y1,e]=train(net,x,y);
    . P; u8 ~5 \\" s$ n$ j) L# p; J9 w) @
11. 
    ' p! ^2 [+ `  O7 a) e+ T; b; K
12. X=0:0.01*pi:4*pi;) w  }1 S+ l7 h9 i. S
    
13. %网络泛化
    ; s. F! M3 _+ x( Q: y% p, F
14. y2=sim(net,X);
    . m\" c3 R/ w6 P$ V8 B: c2 w+ U
15. # D6 A% {. @) v' i
    
16. subplot(2,1,2);
    4 ?% O) l+ F0 Q8 j
17. plot(X,y2);
    8 M5 T* N- w9 a4 E8 }: X4 i- A  v
18. title('网络产生')\" D' E6 L/ `! T. {. v) j1 b
    
19. grid on
    ' w' Y# n  i7 q
20. subplot(2,1,1);/ W: {0 K' _: l9 P
    
21. plot(x,y,'o');
    1 e, k$ |9 R' V4 p8 A- }
22. title('原始数据')/ F0 K$ b& `+ R9 ?5 _  k
    
23. 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。
" e8 O& s2 v* \0 L/ J4 H* V3.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。
* _6 e  I- Y/ `- J# a7.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。
2 B( l' o" {' t7 C0 o10.plot(X,y2);: 在第2个子图中绘制神经网络泛化的输出。
4 e; U% B# l; \( Y11.title('网络产生'): 设置第2个子图的标题为"网络产生"。
; m! b) m. o# z( b6 [12.grid on: 显示网格。
" J1 |; `3 p" ]* Z) }5 t13.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"。
* O8 c2 W: |( n: z& g2 p16.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。

) J* |( G- h2 z( R/ E