【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

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。

设计前馈型网络，在区间[-4,4]上逼近函数。

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+2*indata.*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