智能计算作业——BP网络拟合单变量函数

下面是很简单的一个BP网络的例子，来人呐，快来人抄我作业呀╭(╯^╰)╮

问题描述：

用BP网络逼近任意单变量函数。

算法理论：我百科上帮你们抄下来啦╭(╯^╰)╮

BP神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络，其算法称为BP算法，它的基本思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小。

求解步骤：

利用MATLAB自带函数建立BP网络。

——输入求解问题

——初始化网络net=newff([-2*pi2*pi],[str2double(get(handles.edit1,'String')) 1],{'tansig','tansig'},'traingdx');

——训练网络 net.trainParam.xx()

——测试网络 sim(net,X);

运行结果：

运行bp.m文件，弹出交互界面：

预设该网络为三层BP网络，一层隐含层，求解函数自行输入（输入格式要符合MATLAB语句格式）。以拟合函数y = sin(x)+cos(x)为例，探究隐含层神经元个数对拟合效果的影响。

输入y = sin(x)+cos(x)，神经元个数为8，点击“开始”，结果如下：

预设该网络为三层BP网络，一层隐含层，求解函数自行输入（输入格式要符合MATLAB语句格式）。以拟合函数y = sin(x)+cos(x)为例，探究隐含层神经元个数对拟合效果的影响。（蓝色星号为原函数，红色连线为拟合函数线）。

点击“重置”，神经元个数为50，结果如下：

点击“重置”，神经元个数为100，结果如下：

 

实验总结：

隐含层神经元从8到50到100，隐含层神经元越多，误差越低，收敛速度越快。

我写不出什么花来，你们自己总结一下吧╭(╯^╰)╮

思考：

虽然隐含层神经元越多，拟合效果越好，但是过多的隐含层神经元可能造成过拟合，在测试拟合新的函数时效果变差。

思考不要抄我╭(╯^╰)╮你得自己想

程序如下：

readme.txt文件了解一下╭(╯^╰)╮这个写上，方便老师使用，会显得你专业一点

%  BP网络逼近单变量函数
%  姓名：
%  学号：
%  邮箱：
%  环境： MATLABR2017A
%  日期： 2018.10.7

%  运行说明： 运行bp.m即可弹出图形交互界面bp.gui
              点击“运行”按钮即可运行程序；
              输入神经元个数，如：8
              输入要逼近的函数（要求符合MATLAB格式），如：y = exp(x)+sin(x)
              点击“重置”按钮恢复;
            

主程序：bp.m

function varargout = bp(varargin)
%% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%  BP网络逼近单变量函数
%  姓名： 
%  学号：
%  邮箱： 
%  环境： MATLABR2017A 
%  日期： 2018.10.7
%% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
gui_Singleton = 1;
gui_State = struct('gui_Name',       mfilename, ...
                   'gui_Singleton',  gui_Singleton, ...
                   'gui_OpeningFcn', @bp_OpeningFcn, ...
                   'gui_OutputFcn',  @bp_OutputFcn, ...
                   'gui_LayoutFcn',  [], ...
                   'gui_Callback',   []);
if nargin && ischar(varargin{1})
   gui_State.gui_Callback = str2func(varargin{1});
end

if nargout
    [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
    gui_mainfcn(gui_State, varargin{:});
end

function bp_OpeningFcn(hObject, eventdata, handles, varargin)
handles.output = hObject;
A = imread('A.jpg');
A = imresize(A,[100,100]);
set(handles.kaishi,'CData',A);
set(handles.rek,'CData',A);
guidata(hObject, handles);

function varargout = bp_OutputFcn(hObject, eventdata, handles)
varargout{1} = handles.output;

function kaishi_Callback(hObject, eventdata, handles)
X = -2*pi:0.1:2*pi;
D = value(handles.edit2,X);
% D = eval(get(handles.edit2,'String'));
net = newff([-2*pi 2*pi],[str2double(get(handles.edit1,'String')) 1],{'tansig','tansig'},'traingdx');
box on;

net.trainParam.epochs = 100; %训练的最大次数
net.trainParam.goal = 0.005; %全局最小误差
[net tr] = train(net,X,D); 
O = sim(net,X); 
axes(handles.axes1);
plot(X,D,'*',X,O); %绘制训练后得到的结果和误差曲线
axes(handles.axes2);
a = 1:101;
plot(a,tr.perf);
xlabel('迭代次数');
ylabel('误差');

% V = net.iw{1,1}%输入层到中间层权值
% theta1 = net.b{1}%中间层各神经元阈值
% W = net.lw{2,1}%中间层到输出层权值
% theta2 = net.b{2}%输出层各神经元阈值

function rek_Callback(hObject, eventdata, handles)
cla(handles.axes1);
cla(handles.axes2);
set(handles.edit1,'String','');
set(handles.edit2,'String','');

function edit1_Callback(hObject, eventdata, handles)

function edit1_CreateFcn(hObject, eventdata, handles)

if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))
    set(hObject,'BackgroundColor','white');
end

function traingdx_Callback(hObject, eventdata, handles)

function edit2_Callback(hObject, eventdata, handles)

function edit2_CreateFcn(hObject, eventdata, handles)
if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))
    set(hObject,'BackgroundColor','white');
end

还有一个value.m文件，这个里面写的是要求解的函数，在主程序里调用，复制下来，你不用运行它╭(╯^╰)╮：

    function y = value(t,x)
    eval(get(t,'String'));
    end

还有一张图，跟上一篇文章一样，这个是GUI界面的按钮的图╭(╯^╰)╮一定要保存在代码路径下，命名为‘A.png’，不然会报错：