神经网络作业(函数逼近)

《神经网络作业(函数逼近)》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、智能控制理论及应用作业1资料查询BP神经网络的主要应用：人脸识别、风电功率预测、短时交通流混沌预测、高炉熔渣粘度预测、汇率预测、价格预测、函数逼近等Rbf神经网络的主要应用：函数逼近、短时交通流预测、模式识别、降水预测、民航客运量预测、遥感影像分析、声纹识别、语言识别、人脸识别、车牌识别、汇率预测Hopfield网络应用：车牌识别、图像识别、遥感影像分类、字母识别、交通标志识别、优化计算中的应用、联想记忆存储器的实现、2BP编程算法：2.1利用样本训练一个BP网络注：此程序自李国勇书中学习而来程序部分：function[outpu

2、t_args]=bp(input_args)%UNTITLEDSummaryofthisfunctiongoeshere%Detailedexplanationgoeshere%此设计为两层BP神经网络，3输入，3隐含层节点，两个输出%初始化部分：lr=0.05;%%需要给定学习速率error_goal=0.001;%期望的误差max_epoch=100000;%训练的最大步长a=0.9;%惯性系数Oi=0;Ok=0;%给两组输入，以及目标输出：X=[111;-1-11;1-11;];%随便给一组输入输入，训练BP网络T=[111

3、;111];%X=-1:0.1:1;%输入范围%T=sin(pi*X);%X=[]q=3;%隐含层的节点数自己定义，在此给3个%初始化[M,N]=size(X);%输入节点个数为M,N为样本数[L,N]=size(T);%输出节点个数为Lwij=rand(q,M);%先给定加权系数一组随机值wki=rand(L,q);wij0=zeros(size(wij));%加权系数矩阵的初始值wki0=zeros(size(wki));forepoch=1:max_epoch%计算开始NETi=wij*X;%各个隐含层的净输入forj=1:

4、Nfori=1:qOi(i,j)=2/(1+exp(-NETi(i,j)))-1;%再输入作用下，隐含层的输出endendNETk=wki*Oi;%各个输出层的净输入fori=1:Nfork=1:LOk(k,i)=2/(1+exp(-NETk(k,i)))-1;%在输入作用下，输出层的输出endendE=((T-Ok)'*(T-Ok))/2;%性能指标函数，就是误差if(E

5、Ok);%计算△kw=wki;wki=wki+lr*deltak*Oi'+a*(wki-wki0);wki0=w;deltai=Oi.*(1-Oi).*(deltak'*wki)';%计算△iw=wij;wij=wij+lr*deltai*X'+a*(wij-wij0);wij0=w;endepoch%当前是第多少步X1=X;%保护当前的输入NETi=wij*X1;%再一次计算隐含层的输入输出forj=1:Nfori=1:qOi(i,j)=2/(1+exp(-NETi(i,j)))-1;%endendNETk=wki*Oi;%再一

6、次计算输出层的输出fori=1:Nfork=1:LOk(k,i)=2/(1+exp(-NETk(k,i)))-1;endend%直到误差满足要求才跳到此步，输出修正的输出值Oi%Ok%最终满足误差要求下的输出wij%输出输入层与隐含层的最终修改后的权值wki%输出隐含层与输出层之间的取值end仿真结果：epoch=8Oi=0.9690-0.48040.99950.99950.92440.99890.97340.99910.9356Ok=1.00001.00001.00000.99820.96580.9981wij=3.57962.

7、02822.59855.3497-0.46442.57735.5337-0.4516-1.6788wki=1.54906.14305.88032.05931.32883.8144由仿真结果可以看出，网络在第八步就可以得到满足误差函数的输出，输出时OK。由于初始权值是随机给定的，因此每次运行结果可能有所差异。2.2用BP网路逼近sin函数：function[output_args]=BP1(input_args)%UNTITLEDSummaryofthisfunctiongoeshere%Detailedexplanationgoe

8、shere%P=[012345678910];%T=[01234321234];P=-1:0.1:1;%输入范围T=sin(pi*P);%样本值net=newff([010],[5,1],{'tansig','purelin'});%建立网络%ne