基于MATLAB 的神经网络的仿真

《基于MATLAB 的神经网络的仿真》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、基于MATLAB的神经网络的仿真姓名马晓慧学号p101813486学院电气工程学院专业班级10级自动化<3>班1、题目要求：（1）确定一种神经网络、网络结构参数和学习算法。（2）选择适当的训练样本和检验样本，给出选取方法。（3）训练网络使学习目标误差函数达到0.01，写出学习结束后的网络各参数，并绘制学习之前、第50次学习和学习结束后各期望输出曲线、实际输出曲线。绘制网络训练过程的目标误差函数曲线。2.方案：第一步问题的提出设计一个简单的BP网络，实现对非线性函数的逼近，通过改变BP网络的隐层神经元的数目，采用不同的训练方法来观察训练时间和训练误差的变化情况。假设将要将要逼近的函数为

2、正弦函数，其频率参数N=1，绘制此函数见图1所示。N=1;p=[-1:0.01:1];t=sin(N*pi*p);%假设N=1，绘制此函数曲线plot(p,t,'r*')title('要逼近的非线性函数')xlabel('时间');图1要逼近的非线性函数第二步网络建立应用newff()建立两层的BP网络，隐层神经元数目可以改变,此时S=5，输出层一个神经元，隐层和输出层的传递函数分别为tansig和purelin，学习算法采用Levenberg-Marquadt(trainlm)。用sim()观察初始化网络输出如图2所示。S=5;net=newff(minmax(p),[S,1],{

3、'tansig','purelin'},'trainlm');y1=sim(net,p);figure;plot(p,t,'r*',p,y1,'b-')title('未训练网络的输出结果')xlabel('时间');ylabel('仿真输出-原函数*');legend('要逼近的非线性函数','未训练网络的输出结果')图2未训练时网络的输出结果第三步网络训练将训练时间设为50，精度为0.01，用train()进行训练，误差曲线见图3所示。net.trainParam.epochs=50;net.trainParam.goal=0.01;net1=train(net,p,t)图3训练过

4、程图第四步网络测试用sim()观察训练后的网络输出如图4所示。y2=sim(net1,p)figure;plot(p,t,'r*',p,y1,'b-',p,y2,'ko')title('训练后网络的输出结果')xlabel('时间');ylabel('仿真输出')legend('要逼近的非线性函数','未训练网络的输出结果','训练后网络的输出结果')图4训练后网路的输出结果从图4可以看出经过很短时间的训练后BP网络很好的逼近了非线性函数。3.讨论：1.改变非线性函数的频率，即改变N的值时发现，网络的训练时间会长些，逼近效果要差些。2.改变隐层的神经元数目对网络的逼近效果也有影响，一

5、般来说，隐层的神经元数目越多，则BP网络逼近非线性函数能力越强，但也并非隐层的神经元数目越多，网络性能就越好，而同时训练时间有所增长。3.采用不同的训练函数，对本例采用三种训练方法，即Levenberg-Marquadt(trainlm)、剃度下降动量法（traingdx）、普通剃度下降法（traingd）,通过比较发现Levenberg-Marquadt(trainlm)训练速度最快，误差也较小，剃度下降动量法（traingdx）次之，普通剃度下降法（traingd）最差。MATLAB神经网络工具箱功能强大,它提供了许多有关神经网络设计、训练和仿真的函数，我们只要根据需要调用相关函

6、数,就能方便进行神经网络设计与仿真,从而免除了编写复杂而庞大的算法程序的困扰，可以很容易的调整各项参数，实现对神经网络的设计和仿真，为我们的工程应用提供很好的参考价值。