BP神经网络的工程应用

最新推荐文章于 2024-08-05 17:44:35 发布

他们都叫我神奇

最新推荐文章于 2024-08-05 17:44:35 发布

阅读量4.5k

点赞数 4

分类专栏：数学建模

本文链接：https://blog.csdn.net/SinceyoUP/article/details/81589366

版权

本文介绍了如何使用MATLAB中的BP网络进行非线性函数逼近，通过实例展示了不同频率参数k和隐含层神经元数量n对逼近效果的影响。实验表明，增加隐含层神经元数目能提升网络的逼近能力，而训练算法的选择也会影响逼近精度。

摘要由CSDN通过智能技术生成

<<MATLAB神经网络超级学习手册>>

一.BP网络在函数逼近中的应用

例1.要求设计一个BP网络,逼近以下函数:g(x) = 1+sin(k·pi/2·x),实现对该非线性函数的逼近.其中,分别令k=2,3,6进行仿真,通过调节参数得到信号的频率与隐含层节点之间、隐含层节点与函数逼近能力之间的关系.

解:假设频率参数k=2,绘制要逼近的非线性函数的目标函数.MATLAB代码如下.

k=2;
p=[-1:0.05:8];
t = 1+sin(k*pi/2*p);
plot(p,t,'-');
title('要逼近的非线性函数');
xlabel('时间');
ylabel('非线性函数');

得到目标曲线函数图像.

用newff()函数创建BP网络结构.隐含层神经元数目n可以改变,暂设n=5,输出层有一个神经元.选择隐含层和输出层神经元传递函数分别用tansig函数和purelin函数,网络训练的算法采用Levenberg-Marquardt算法trainlm.

clc;clear;
k=2;
p=[-1:0.05:8];
t = 1+sin(k*pi/2*p);
% plot(p,t,'-');
% title('要逼近的非线性函数');
% xlabel('时间');
% ylabel('非线性函

关注

专栏目录