基于BP和RBF的函数逼近仿真

基于BP和RBF的函数逼近仿真

ID:39474178

大小:422.00 KB

页数:18页

时间:2019-07-04

基于BP和RBF的函数逼近仿真_第1页
基于BP和RBF的函数逼近仿真_第2页
基于BP和RBF的函数逼近仿真_第3页
基于BP和RBF的函数逼近仿真_第4页
基于BP和RBF的函数逼近仿真_第5页
资源描述:

《基于BP和RBF的函数逼近仿真》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、智能控制实验专业:电气系统检测与控制学号:ys1310402008姓名:郜建良实验一(3)BP选取样本>>P=[-4:0.2:4];>>fori=1:41;T(i)=P(i)*cos(P(i))+((P(i))^2/1);end>>plot(P,T,'+');>>>>plot(P,T,'+');>>title('TrainingVectors');>>xlabel('InputVectorP');>>ylabel('TargetVectorT');>>pause进行训练>>net=newff(minmax(P),[51],{'tansig''purelin'},'train

2、lm');>>net.trainParam.show=10;net.trainParam.goal=0.00001;net.trainParam.lr=0.01;net.trainParam.epochs=100;>>[net,tr]=train(net,P,T);进行测验>>SP=[-4:0.5:4];>>fori=1:17ST(i)=SP(i)*cos(SP(i))+((SP(i))^2/1);end>>sy=sim(net,SP)sy=Columns1through1218.458415.655211.85828.25804.94711.96810.50200.178

3、20.30260.63781.15531.8982Columns13through172.94584.40936.43259.191712.8860>>sse=sumsqr(ST-sy);>>plot(SP,sy,'o');>>holdoff1.改变隐层神经元数目样本选取>>P=[-4:0.2:4];fori=1:41;T(i)=P(i)*cos(P(i))+((P(i))^2/1);endplot(P,T,'+');>>title('TrainingVectors');xlabel('InputVectorP');ylabel('TargetVectorT');Pause

4、神经网络建立>>net=newff(minmax(P),[101],{'tansig''purelin'},'trainlm');>>net.trainParam.show=10;net.trainParam.goal=0.00001;net.trainParam.lr=0.01;net.trainParam.epochs=100;[net,tr]=train(net,P,T);分析:当增加神经元数目时,由图像可以看出,训练函数可以逼近目标函数,且所取的点基本在全在函数线上。精度升高。2.改变训练算法训练算法>>P=[-4:0.2:4];fori=1:41;T(i)=P(i

5、)*cos(P(i))+((P(i))^2/1);endplot(P,T,'+');title('TrainingVectors');xlabel('InputVectorP');ylabel('TargetVectorT');Pausenet=newff(minmax(P),[51],{'tansig''purelin'},'traingd');net.trainParam.show=10;net.trainParam.goal=0.00001;net.trainParam.lr=0.01;net.trainParam.epochs=100;[net,tr]=train(

6、net,P,T);分析:当只改变训练函数时,会发现对仿真结果有很大的影响。精度降低。3.改变学习率P=[-4:0.2:4];fori=1:41;T(i)=P(i)*cos(P(i))+((P(i))^2/1);endplot(P,T,'+');title('TrainingVectors');xlabel('InputVectorP');ylabel('TargetVectorT');pausenet=newff(minmax(P),[51],{'tansig''purelin'},'trainlm');net.trainParam.show=10;net.trainPar

7、am.goal=0.00001;net.trainParam.lr=0.001;>>net.trainParam.epochs=100;[net,tr]=train(net,P,T);分析;当降低学习率时,精度有所升高;RBF算法>>P=[-4:0.2:4];>>fori=1:41;T(i)=P(i)*cos(P(i))+((P(i))^2/1);end>>net=newrb(P,T);NEWRB,neurons=0,MSE=28.701NEWRB,neurons=2,MSE=1.36433NEWRB,neuron

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。