基于BP神经网络的函数拟合算法研究(19)

figure;

plot(p,t,'-',p,y1,'--') %画出图像

title('未训练网络的输出结果');

xlabel('时间');

ylabel('仿真输出－－ 原函数－');

得到的结果如图7所示：

图3-2 仿真曲线和原函数曲线

从图像上可以看出，使用newff建立BP神经网络的时候，所取的权值和阈值都是随机的，所以输出结果很差，两个函数的图像相差很多，根本达不到函数拟合的目的，并且每次运行的结果也有所不同。

3.1.4 网络测试

基于上述实验结果，我们需要训练网络。我们利用train函数进行训练，分别设置训练时间为50个单位时间，设计训练目标的误差小于0.01，开始训练并观察实验结果：

net.trainparam.epochs=50; %设计训练时间为50个单位时间

net.trainparam.goal=0.01; %设计训练目标的误差小于0.01

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(19)在线全文阅读。