基于MATLAB的BP神经网络实现非线性函数拟合设计
一、实验要求：
重点是掌握BP神经网络的学习算法原理，掌握matlab工具箱设计BP神经网络拟合非线性模型的方法（m文件）；掌握在图形用户界面下设计BP神经网络拟合非线性模型的方法。
参考参数设置：
1.1 输入变量和目标输出：
indata=-4:0.1:4;
targetdata=0.35(1-indata+2indata.indata).exp(-indata.*indata/2) ;
1.2 网络结构
3层BP网络，隐层10个神经元，隐层和输出层激发函数为正切S型传递函数。训练函数为：trainlm。
二、实验内容
2.1掌握matlab工具箱设计BP神经网络拟合非线性模型的方法（m文件）
newff:前馈网络创建函数
语法：
net = newff(A,B,{C},’trainFun’,’BLF’,’PF’)。
A：一个n*2的矩阵，第i行元素为输入信号Xi的最大最小值
B：一个K维行向量，其元素为网络中各个节点的数量。
C：一个K维字符串行向量，每一个分量为对应层的神经元的激活函数，默认为“tansig”
trainFun：为学习规则的采用的训练算法。默认为：“trainlm”
BLF：BP权值/偏差学习函数。默认为：“learngdm”
PF：性能函数，默认为“mse”
train函数
语法：
即网络学习函数：
[net,tr,YI,E] = train(net,X,Y)
X：网络实际输入
Y：网络应有输出
tr：网络跟踪信息
YI：网络实际输出
E：误差矩阵
sim函数
**语法：**Y = sim(net,X)
X：输入给网络的K*N矩阵，K为网络输入个数，N为样本数据量
Y：输出矩阵Q*N,其中Q为网络输出个数
2.1.1 实验代码：
indata=-4:0.1:4;
targetdata=0.35*(1-indata+2*indata.*indata).*exp(-indata.*indata/2);
net = newff([-4,4],[10,1],{'tansig','tansig'});
net.trainParam.epochs = 500; *%训练的最大次数*
net.trainParam.goal = 0.0000001; *%全局最小误差*
net = train(net,indata,targetdata);
O = sim(net,indata);
plot(indata,O,'*')
2.1.2 实验结果：
; 2.2 掌握在图形用户界面下设计BP神经网络拟合非线性模型的方法
2.2.1 设置输入输出量
打开matlab在命令行输入：nntool
点击import按钮，添加输入变量和目标输出变量,按import按钮，导入输入 变量，点击ok确定；按import按钮，导入目标输出变量，点击ok确定。
2.2.2 设置网络结构
在首页窗口按 new按钮， 新建网络
设置好参数后，按create 按钮创建网络
双击network1
2.3 训练结果
;
Original: https://blog.csdn.net/sgsx11/article/details/122397136
Author: 骑行去看海
Title: 【智能控制实验】基于MATLAB的BP神经网络实现非线性函数拟合设计
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/688417/
转载文章受原作者版权保护。转载请注明原作者出处！