神经网络控制与matlab仿真,matlab神经网络拟合预测

matlab中如何用神经网络求得数据拟合函数？

谷歌人工智能写作项目：小发猫

用MATLAB神经网络进行函数拟合后，拟合的函数表达式有吗？

常见的神经网络结构。

神经网络一般是没有表达式的哈，但是只要你的参数每次都给的一样，在多次运行后它的多次结果会有一定的相似，这就是我们可以用它做拟合后的预测的原理，因为神经网络一般每次初始值都是随机值，所以结果也会有区别的。

在表达拟合函数的时候，我们只要要列出它的参数取值及拟合模型即可，例如BP中的losig模型，隐层神经元个数，下降速率采用的方法traindx,学习速率0.05，训练最小误差0.001等等。

用matlabBP神经网络做多元线性回归，求问各参数的拟合值怎么看？

这个要看你选择的激活函数，若是你的激活函数为非线性函数，那就不可能得到各参数的拟合值。如果你所选用的激活函数是线性函数，那么就可以先把输出的表达式写出来，即权向量和输入的矩阵乘积。

得到表达式后就可以得到相应参数的拟合值了。

matlab 神经网络 数据拟合 20

MATLAB进行人工神经网络拟合求助 140

。

tic;%计时开始clc;%清屏clearall;%清除所有变量disp('输入层神经元个数：3');%显示输入层神经元个数input=3;disp('中间层神经元个数：3');%显示中间层神经元个数middle=3;disp('输出层神经元个数：1');%显示输出层神经元个数output=1;disp('输入模式123及其对应的输出：');x1=[7.13.22.5];x2=[7.03.42.9];x3=[6.93.63.1];x4=[6.83.82.6];x5=[7.24.02.2];y1=78;y2=65;y3=78;y4=69;y5=72;disp('形成一张供调用的向量表：');X=[x1;x2;x3;x4;x5];%x1,x2,x3,x4,x5向量表X=X/10;Yo=[y1;y2;y3;y4;y5];%y1,y2,y3,y4,y5向量表Yo=Yo/100;disp('初始化连接权矩阵：');w=zeros(input,middle);%输入层与中间层的连接权v=zeros(middle,output);%中间层与输出层的连接权th1=zeros(1,middle);%中间层的阈值th2=zeros(1,output);%输出层的阈值out_middle=zeros(1,middle);%中间层的实际输出out_output=zeros(1,output);%输出层的实际输出delta_output=zeros(1,output);%输出层的差值delta_middle=zeros(1,middle);%中间层的差值disp('显示初始化连接权矩阵w：');w=rands(input,middle);%初始化连接权矩阵w(i,j)disp(w);%显示初始化连接权矩阵w(i,j)disp('显示初始化连接权矩阵v：');v=rand(middle,output);%初始化连接权矩阵v(j,t)disp(v);%显示初始化连接权矩阵v(j,t)disp('中间层阈值矩阵th1：');th1=rand(1,middle);%初始化中间层阈值矩阵th1disp(th1);%显示中间层阈值矩阵th1disp('中间层阈值矩阵th2：');th2=rand(1,output);%初始化输出层阈值矩阵th2disp(th2);%显示中间层阈值矩阵th2sample_bumbers=5;%样本数max_times=10000;%最大训练次数times=0;%训练次数eta=0.1;%学习系数etagamma=0.1;%学习系数gammasample_pointer=0;%样本数指针error=0.02;%误差error_max=0.01;%最大误差fortimes=1:max_times%beginforExternalLoopiferror>error_maxforsample_pointer=1:sample_bumbersX0=X(sample_pointer,:);Y0=Yo(sample_pointer,:);Y=X0*w;%计算中间层的输出：Y=Y-th1;forj=1:middleout_middle(j)=1/(1+exp(-Y(j)));end%计算输出层输出：Y=out_middle*v;Y=Y-th2;fork=1:output%k=1:3out_output(k)=1/(1+exp(-Y(k)));enderror=(Y0(k)-out_output(k))*(Y0(k)-out_output(k))/2;%计算输出层校正误差delta_output：fork=1:output%k=1:3delta_output(k)=(Y(k)-out_output(k))*out_output(k)*(1-out_output(k));end%计算中间层校正误差delta_middle：fork=1:output%k=1:3xy=delta_output*v';delta_middle=xy*out_middle'*(1-out_middle);end%计算下一次的中间层和输出层之间的连接权v(j,k)，阈值th2(k)fork=1:output;forj=1:middlev(j,k)=v(j,k)+eta*delta_output(k)*out_middle(j);endth2(k)=th2(k)+eta*delta_output(k);end%计算下一次的输入层和中间层之间的连接权w(i,j)，阈值th1(j)forj=1:middle;fori=1:inputw(i,j)=w(i,j)+gamma*X0(i)*delta_middle(j);endth1(j)=th1(j)+gamma*delta_middle(j);endend%endforifelsebreak;end%endforelseend%endforExternalLoopdisp('显示结果：');disp('训练次数times:');disp(times);disp('输出权值w');disp(w);disp('输出权值v');disp(v);disp('全局误差error:');disp(error);disp('运行结束了！

');toc;%计时结束，并输出程序的运行时间输出结果为：输入层神经元个数：3中间层神经元个数：3输出层神经元个数：1输入模式123及其对应的输出：形成一张供调用的向量表：初始化连接权矩阵：显示初始化连接权矩阵w：0.5695-0.6483-0.6946-0.05730.4435-0.3178-0.9285-0.05300.2148显示初始化连接权矩阵v：0.19170.73840.2428中间层阈值矩阵th1：0.91740.26910.7655中间层阈值矩阵th2：0.1887显示结果：训练次数times:6输出权值w0.5376-0.6779-0.7311-0.07360.4283-0.3365-0.9406-0.06430.2009输出权值v0.13280.67080.2027全局误差error:0.0097运行结束了！

Elapsedtimeis0.263732seconds.。

matlab BP神经网络 5

从原理上来说，神经网络是可以预测未来的点的。实际上，经过训练之后，神经网络就拟合了输入和输出数据之间的函数关系。

只要训练的足够好，那么这个拟合的关系就会足够准确，从而能够预测在其他的输入情况下，会有什么样的输出。

如果要预测t=[67]两点的R值，先以t=[12345]作为输入，R=[1213141415]作为输出，训练网络。

训练完成之后，用t=[23456]作为输入，这样会得到一个输出。不出意外的话，输出的数组应该是[13141415X],这里的X就是预测t=6时的R值。

然后以t=[34567]作为输入，同理得到t=7时候的R值。根据我的神经网络预测，t=6时，R=15，t=7时，R=15。

我不知道这个结果是否正确，因为神经网络通常需要大量的数据来训练，而这里给的数据似乎太少，可能不足以拟合出正确的函数。

急求高手解答！！我想请教一个MATLAB（2013a）问题，关于Neural Net Fitting(神经网络拟合)工具。

你的inputs和targets的数据的名字怎么都叫data呀，你是不是在选择了inputs之后又进行了什么操作。

其实没有什么行列要求的，只要你的输入和输出的行相等(此时选中matrixrow)或者列相等（此时选中matrixcolumn）就行了.至于权重什么的那些这个工具箱会自动帮你搞定的，你只要在下一步选择隐藏层的神经元个数再train就行了。

matlab 2013 BP神经网络 拟合函数

。

Warning:PREMNMXisanobsoletefunction.Warning:NEWFFusedinanobsoleteway.PREMNMX和NEWFF在高版本中，这两个函数已经被取代或者调用格式发生了变化。

另外，相同的设置，每次运行的结果也会不同。这是我用工具箱大概做出的结果。