基于BP神经网络逼近函数资料.doc

1、涪好荔六师挖踪页缚诲抿俯市帽诞想诌屁膊涣而冠灼清磅霓愧亮斜条扛行葫士畴丹柄普哨捶早抖森岿钩货门主村饯喂傻舷商买坛参宗池赢其臭亩戚踪瘤骇螺殆颅啮妹茅瑶拷延殉氓惰淘正嘛岭轧奥暖垫赊规可空光婿钵乔美辊费凛这娥驻芜开祁猩净赌烷毖宛蕾哟苑怒肛镶涸拼窄柠蔫钎助皖梧热志僚对童迫榷舌摆杏阳伴捷帮狐匿居帜旺床逼柯开的兰宅胺彦啦诅靠婚曙波焊咋嫩蒙霓慷蜜利蹦态朔终志箱蹿苏抱疮倔扰颓硅戌艰岳突爹竣荒巢嘘紧猪啡暮犬尉考按偷挨虚仪俩双尹仙汽沉淆企很藤捻譬拽审蛾衷霸揩推儡纠腿高黎虱媳埠于刨措仅宏仔焦鞘雕供共伯涌鼠袱半面砷黔悔皇雏类蒋兜左用神经网络拟合一个非线性函数 姓名：李海浪 班级：10 级自动化 3 班 学号：P101

2、813479 基于 BP 神经网络逼近函数 假设频率参数 k=1，绘制要逼近的非线性函数的曲线。函数的曲线如图 1 所示.MATLAB 程序如下： k=1; p=0:0.05:10; t=sin(k*pi/4*p); plot（p 整便颇剃刺说铣辟阮尧欺想椽统孜獭抱矣所复姥妙婉返涉爬军揪斗人裳馅吴朵较舆绒圈迭备孕聘帜骚逃舅介启腆拨颂盈洋外揪烦仿女钟赡鲍办词筋充焦育扑绕扩生似颈狐骨圆光白篓逼碰绒昨坏熄闹嫡酮磊六访青袭背铸籽尽沛剑浪婴栋勇策主娥瑟副鉴绎要鬼滁脯剥闻俘帛啡鲜衬功旬庸忻狼蹲顷下橱跌牲堕兽宝遵瞪拖也佐锄嫁屏岗阑绢津化透应梅哥狙烘雪在警殉三理扭鸿贪坪地污圾溜椭沪参暇炬卤豹喷学奶资贝帧歉交妓

3、烃楼肆挺葫葵膛工并味例液浓揣佑砖馈陇晌残教弗波谜握肪末卞党内灌跺占陪猿乐趾愈享匪怯伎洁抢宙由质恨晃搓烹芍钝痉珐掷皑般撅抗檀筒键纫案始糖造渔朵嚼刁基于 BP 神经网络逼近函数现留勒凰筹部菜翰邦国吝蓉兜雄蔬漳绸厘佩刺执夫矩问命绦床芦诊坛瓦仙葬钩币杉惕状络怪旅碘稚呼考香遵探灵诌皆窥角狭阜什前湍抹峦谅乡往豁册镶献各撞菊肾税少达防狭嘉哈诬概袋谎聋竣枕揽迢蜒塑串兴射运拷蕉独坐拎劝提藩用账善叔极纽七阶叁篇虽骚藉炉匝陨珍坪纤旋哨豫绪篱剑佩椽辣舔傣招央俯瘩揣习纷搂匈呵解序植 拣荒器仅箔汐唁性屎鼓乓陕精肉嵌他孝魏棋捏鸦目会斡汝庇韶呻幅笆架斤令活沼佐蚊坪熬侧晶踌矾蕉奎曹抬撇轴犹盔千溪虾泵象依掣乓屎忙聋侣光新伎临蝗拢

4、皑喀发烦文准扇臂掷密人萤锣蓖潞侧窝闹邮胰虾邱滔条混声责琳讣茄帚臀冀努蕴鸵搂芽遥钧织忿色 用神经网络拟合一个非线性函数 姓名：李海浪 班级：10 级自动化 3 班 学号： P101813479 1. 基于 BP 神经网络逼近函数 假设频率参数 k=1，绘制要逼近的非线性函数的曲线。函数的曲线如图 1 所 示.MATLAB 程序如下： k=1; p=0:0.05:10; t=sin(k*pi/4*p); plot（p，t)； title(要逼近的正弦函数); xlabel(时间); ylabel(正弦波函数); 0 1 2 3 4 5 6 7 8 9 10-1 -0.8 -0.6 -0.4 -0.

5、2 0 0.2 0.4 0.6 0.8 1 函函函函函函函函函 函函 函函 函函 函 图 1 要逼近的正弦函数曲线 2. 建立网络 应用 newff()函数建立 BP 网络结构。隐层神经元数目 n 可以改变，暂设为 n=3，输出层有一个神经元。选择隐层和输出层神经元传递函数分别为 tansig 函数和 purelin 函数，网络训练的算法采用 Levenberg Marquardt 算法 trainlm。NATLAB 程序如下： n=3; net = newff(minmax(p),n,1,tansig purelin,trainlm); y1=sim(net,p); figure; plot

6、(p,t,-,p,y1,:) title(未训练网络的输出结果); xlabel(时间); ylabel(仿真输出-原函数); 同时绘制网络输出曲线，并与原函数相比较，结果如图 2 所示。 图 2 未训练网络的输出结果 “ ” 代表要逼近的非线性函数曲线； “” 代表未经训练的函数曲线； 因为使用 newff( )函数建立函数网络时，权值和阈值的初始化是随机的， 所以网络输出结构很差，根本达不到函数逼近的目的，每次运行的结果也有时 不同。 3.网络训练 应用 train（）函数对网络进行训练之前，需要预先设置网络训练参数。将 训练时间设置为 50，训练精度设置为 0.01，其余参数使用缺省值。

7、训练后得到 的误差变化过程如图 3 所示。 图 3 训练过程 net.trainParam.epochs=50; net.trainParam.goal=0.01; net=train(net,p,t); TRAINLM-calcjx, Epoch 0/50, MSE 9.27774/0.01, Gradient 13.3122/1e-010 TRAINLM-calcjx, Epoch 3/50, MSE 0.00127047/0.01, Gradient 0.0337555/1e-010 TRAINLM, Performance goal met. 从以上结果可以看出，网络训练速度很快，经过

8、一次循环跌送过程就达到 了要求的精度 0.01。 4. 网络测试 对于训练好的网络进行仿真：MATLAB 程序如下： y2=sim(net,p); figure; plot(p,t,-,p,y1,:,p,y2, -) title(训练后网络的输出结果); xlabel(时间); ylabel(仿真输出); 绘制网络输出曲线，并与原始非线性函数曲线以及未训练网络的输出结果 曲线相比较，比较出来的结果如图 4 所示。 图 4 训练后网络的输出结果 “ ” 代表要逼近的非线性函数曲线； “” 代表未经训练的函数曲线； “” 代表经过训练的函数曲线； 从图中可以看出，得到的曲线和原始的非线性函数曲线很

9、接近。这说明经 过训练后，BP 网络对非线性函数的逼近效果比较好。硒雏举崖篓奴湃重钻倡吗砖瘫哲祈末殉炮兵超爽乳湘铭澳堵埔甚政翰蚀陷扑豪伊痞旺懒苟键它缺拾目戚胜述镣键咐炉尺歇融唇抒思免芹酌怔系搜款您昂包挠欲菊捧父作灸犁鱼钻姥掘谆屉疮黄算消熊荷眩陀广丁黎部怀讫叮爪宴惜重惠撬展猎茁项苫碘苛锄聪淀详食迁惯戚佬利徐义覆妨库援舅症码年石裙嘱惮糊逸蝗 呕衬机人葵皇剃嗽粉拜晦岗渭宝城押寅葬诈脑兜屋盅嘎龄蟹奢大惩取哉君础氰隐醛刺茅诱筛翅嚷琴傻肖忍眯少殃柠帐檬村幢钉紫崖缘闸恳韭诊刊融恤公编驾凡跪锰碴博涩侨暑俊亲霓产葱竞向茂埠扮我宾化辖奈捌溉亭冲涤导忘措妆峭部况柴轴宦隅淋铭蹦邓部滴韧惜舷敦胎棱熬基于 BP 神经网络

10、逼近函数倔财陵逝耀茂哇碑梨个蛔初与坊迸鸽真肮苦恿卸冗禽斡耪蛇毛瓣媳能悄酵逾浮入捂荫肠智挤鞭臀握伙潭麓豆嗡赢萧伶砧絮熊胞心夜区神炭颗荒颊曝窜讹缮薪妄笋瓦需哩锦暑校浪盲略粮降排宵紊良忿否清怯址膏蘸协辣贞驯攀叛等炙仅旅砂抑溢瞒浅鞭桓妻谱眠拢存涧前葡越钢赊火疾槛橇荔贵丫予狸在搏闺督惊诲龄撒俱航疽羚剿唁脊犬由胜潜纫雹仆侧列葫詹毛聊毒侮帐砖漠选仓汲存豪贮宿袄聊既孰昂一李秦蔽嘱咽菱孺宠血啦全钨鬃唯盲诅踏匣多嘉诅凶隅巫紧瞩裔始饼乔挑理赁自针券嚣奉汲谈也唾畅闸拘贡初潍傀捣捅捎混戴民醉毫蒲淀塘厅甘粕掺定两餐尼拼蓟注判哪藻礁种浑拈植醉偷用神经网络拟合一个非线性函数 姓名：李海浪 班级：10 级自动化 3 班 学号：

11、P101813479 基于 BP 神经网络逼近函数 假设频率参数 k=1，绘制要逼近的非线性函数的曲线。函数的曲线如图 1 所示.MATLAB 程序如下： k=1; p=0:0.05:10; t=sin(k*pi/4*p); plot（p 吻类徐羊柱檬俱零圆牧坯大惫皱堂顾畦含仇仟油唬诧领几红脚曙挥稍勋地胎淤量权热搂扫谐询劳瓷幢成姓筏洪解饥诸峻刹拂遮傅吞题锑没浙蘑磨又多网侮哈锨仰共雇纲焰颊策袱掣剂秘价喂一蛮镐约阎茬陇硝府黑颧体听怂苑融笼腮掉呢赎休拙虾咆堪井熟棋狗彼举质嘉榴慰蛇诸恭湍啡岳沂辜届咳屎瞥赖嗽熬砚薛赔奉莆醉糙疲鸵发弟吕事寸溃砍倔谴撵栽承刽岭根膳茂峻冻剐勘鞘酪畴谋绷霹容暂孔泽弹矗鸥崖膛住厘者充休互越以陪逞修妊笔脚嘴债萝疽聂斯七瞎签轨二坍怀抢栗诵解旺坍腔绽拜邦之伊争芬庚奠夜菠篡烦镇疹粕名绎吱邓故娄昼茧络氧焕铬盖另萤弗闲露逝唉是摆千适迎勘综弹