BP 神經網絡的非線性系統建模——非線性函數擬合

BP 神經網絡構建根據擬合非線性函數特點確定BP 神經網絡結構，由于本次非線性函數有兩個輸入參數，一個輸出參數，所以BP 神經網絡結構為2-5-1，即輸入層有2 個節點，隱含層有5 個節點,輸出層有1 個節點。BP 神經網絡訓練用非線性函數輸入輸出數據訓練神經網絡，使訓練后的網絡能夠預測非線性函數輸出。從非線性函數中隨機得到2000 組輸入輸出數據，從中隨機選擇1900 組作為訓練數據，用于網絡訓練，100 組作為測試數據，用于測試網絡的擬合性能。

BP 神經網絡主要用到newff、sim 和train3 個神經網絡函數，

newff: BP神經網絡參數設置函數

函數功能：構建一個BP 神經網絡。 函數形式： net = newff (T ,S, TF ,BTF ,BLF,PF ,IPF ,OPF, DDF) P ： 輸入數據矩陣。 T ：輸出數據矩陣。 S：隱含層節點數． TF ：節點傳遞函數，包括硬限幅傳遞函數hardlim 、對稱硬限幅傳遞函數hardlims 、線性傳遞函數pureI in 、正切S 型傳遞函數tansig 、對數S 型傳遞函數logsig. BTF ： 訓練函數，包括梯度下降BP算法訓練函數traingd 、動量反傳的梯度下降BP算法訓練函數traingdm 、動態自適應學習率的梯度下降BP 算法訓練函數trai ngda、動量反傳和動態自適應學習率的梯度下降BP 算法訓練函數traingd x 、l,evenberg_ Marquardt 的BP 算法訓練函數trainlm 。 BLF ： 網絡學習函數，包括BP 學習規則learngd 、帶動量項的BP 學習規則learngdm 。 PF ：性能分析函數， 包括均值絕對誤差性能分析函數mae、均方差性能分析函數rose. IPF ： 輸入處理函數。 OPF ， 輸出處理函數。 DDF ：驗證數據劃分函數． 一般在使用過程中設置前面6 個參數，后面4 個參數采用系統默認參數。

train :BP神經網絡訓練函數

函數功能：用訓練數據訓練BP 神經網絡． 函數形式： 〔net,tr ] = train(N ET,X,T,Pi,Ai) NET ： 待訓練網絡． X ：輸入數據矩陣。 T：輸出數據矩陣。 Pi ： 初始化輸入層條件。 Ai ：初始化輸出層條件。 net ： 訓練好的網絡。 tr ： 訓練過程記錄。 一般在使用過程中設置前面3 個參數，后面2 個參數采用系統默認參數。

sim : BP神經網絡預測函數

函數功能：用訓練好的BP 神經網絡預測函數輸出。 函數形式： y=sim(net, x) net ：訓練好的網絡． X ：輸入數據。 Y ： 網絡預測數據。

程序實現

%% 該代碼為基于BP神經網絡的預測算法 %% 清空環境變量 clc clear%% 訓練數據預測數據提取及歸一化 %下載輸入輸出數據 load data input output%從1到2000間隨機排序 k=rand(1,2000); [m,n]=sort(k);%找出訓練數據和預測數據 input_train=input(n(1:1900),:)'; output_train=output(n(1:1900)); input_test=input(n(1901:2000),:)'; output_test=output(n(1901:2000));%選連樣本輸入輸出數據歸一化 [inputn,inputps]=mapminmax(input_train); [outputn,outputps]=mapminmax(output_train);%% BP網絡訓練 % %初始化網絡結構 net=newff(inputn,outputn,5);net.trainParam.epochs=100; net.trainParam.lr=0.1; net.trainParam.goal=0.00004;%網絡訓練 net=train(net,inputn,outputn);%% BP網絡預測 %預測數據歸一化 inputn_test=mapminmax('apply',input_test,inputps);%網絡預測輸出 an=sim(net,inputn_test);%網絡輸出反歸一化 BPoutput=mapminmax('reverse',an,outputps);%% 結果分析figure(1) plot(BPoutput,':og') hold on plot(output_test,'-*'); legend('預測輸出','期望輸出') title('BP網絡預測輸出','fontsize',12) ylabel('函數輸出','fontsize',12) xlabel('樣本','fontsize',12) %預測誤差 error=BPoutput-output_test;figure(2) plot(error,'-*') title('BP網絡預測誤差','fontsize',12) ylabel('誤差','fontsize',12) xlabel('樣本','fontsize',12)figure(3) plot((output_test-BPoutput)./BPoutput,'-*'); title('神經網絡預測誤差百分比') errorsum=sum(abs(error));

點擊(免費)代碼中需要的數據data

運行結果

總結

以上是生活随笔為你收集整理的BP 神经网络的非线性系统建模——非线性函数拟合的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。