基于BP神经网络的函数拟合算法研究(18)

图3-1 非线性函数图像

3.1.2 建立BP神经网络

本次实验利用newff建立神经网络，n = 10表示神经元个数：

net = newff(minmax(p),[n,1],{'tansig' 'purelin'},'trainlm')；

其中newff为构造前向网络的函数；minmax用于求数组的最小值和最大值，在这里可表示输入的上限与下限；trainlm为训练函数梯度下降法，还可选traingdm ：带动量梯度下降改进型；tansig为激活函数，它正切S型传递函数。第二层输出激活函数为线性激活purelin；[n,1]表示第一层有n个神经元，第二层有1个神经元，n是可调节的隐层节点数目。

3.1.3 网络仿真

利用sim函数进行网络仿真，训练BP网络，画出仿真图形和原函数的图形。根据仿真结果观察BP网络对样本的拟合能力。

y1=sim(net,p) %网络仿真，仿真训练BP网络

百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说教育文库基于BP神经网络的函数拟合算法研究(18)在线全文阅读。