matlab数学建模-神经网络经典应用：逼近非线性函数

目录

代码：先画出要逼近的函数，再用没有训练的神经网络去逼近

下一步：增大n值（神经网络隐藏层的数量）

 下面改变频率参数k：

---

目标：设计一个BP网络，逼近非线性函数

代码：先画出要逼近的函数，再用没有训练的神经网络去逼近

clear all
clc
k=2;
p=[-1:0.05:9];
t=1+sin(k*pi/2*p);
%%%%开始建立一个网络结构%%%%
n=5;
net=newff(minmax(p),[n,1],{'tansig','purelin'},'trainlm');
y1=sim(net,p);%用sim 观察网络的输出
figure;
plot(p,t,'-',p,y1,':');
title('没有训练的输出结果');
xlabel('时间');
ylabel('仿真输出--原函数--');

观察效果，逼近的效果不好

用训练过的神经网络逼近非线性函数

clear all
clc
k=2;
p=[-1:0.05:9];
t=1+sin(k*pi/2*p);
%%%%开始建立一个网络结构%%%%
n=3;
net=newff(minmax(p),[n,1],{'tansig','purelin'},'trainlm');
y1=sim(net,p);%用sim 观察网络的输出
%%%先训练网络，再仿真%%%
net.trainParam.epochs=200;
net.trainParam.goal=0.2;
net=train(net,p,t);
y2=sim(net,p);
figure;
plot(p,t,'-',p,y1,':',p,y2,'--');
title('训练的输出结果');
xlabel('时间');
ylabel('仿真输出');

':' 是没有训练的， '--' 是训练过的

 训练过的神经网络逼近效果明显好于未训练的。

下一步：增大n值（神经网络隐藏层的数量）

n=5时：

clear all
clc
k=2;
p=[-1:0.05:9];
t=1+sin(k*pi/2*p);
%%%%开始建立一个网络结构%%%%
n=5;
net=newff(minmax(p),[n,1],{'tansig','purelin'},'trainlm');
y1=sim(net,p);%用sim 观察网络的输出
%%%先训练网络，再仿真%%%
net.trainParam.epochs=200;
net.trainParam.goal=0.2;
net=train(net,p,t);
y2=sim(net,p);
figure;
plot(p,t,'-',p,y1,':',p,y2,'--');
title('训练的输出结果');
xlabel('时间');
ylabel('仿真输出');

 逼近效果好于n=3

n=20

clear all
clc
k=2;
p=[-1:0.05:9];
t=1+sin(k*pi/2*p);
%%%%开始建立一个网络结构%%%%
n=20;
net=newff(minmax(p),[n,1],{'tansig','purelin'},'trainlm');
y1=sim(net,p);%用sim 观察网络的输出
%%%先训练网络，再仿真%%%
net.trainParam.epochs=200;
net.trainParam.goal=0.2;
net=train(net,p,t);
y2=sim(net,p);
figure;
plot(p,t,'-',p,y1,':',p,y2,'--');
title('训练的输出结果');
xlabel('时间');
ylabel('仿真输出');

 说明增大n(隐藏层的数量)，可以增加BP神经网络预测的准确值。

 下面改变频率参数k：

k=2,n=3  和  k=2,n=10

k=3,n=3  和  k=3,n=10

k=6,n=3  和  k=6,n=10

 说明不同频率下均存在，增大隐藏层，增大BP神经网络的逼近效果。