神经网络大作业函数拟合

人工神经网络第一次作业

题目：使用函数sin()au

t e

cu -=⋅试验MATLAB 中的BP 算法

1、改变不同训练算法，观察效果；

2、改变参数a,c 的值，观察效果；

3、改变隐层神经网络个数，观察效果；

4、尝试：加入噪声的训练效果。

一、改变不同训练算法，观察效果

在MATLAB 中，BP 网络的训练函数一共有以下几种，改变不同训练算法，观察效果就是在其他参数不变只改变程序中训练函数的情况下，得到不同训练算法的训练结果。

由于这只是改变程序中的训练算法，其他不变，所以为了简洁，在本程序中只选取了四种训练算法，分别是梯度下降法traingd、弹性梯度下降法trainrp、拟牛顿算法trainbfg和Levenberg-Marquardt法trainlm，只更改不同的训练算法来构造节点，程序如下，得到不同训练算法下的仿真图如图1所示。

clear all;

close all;

clc;

a=1,c=1; %在此改变a,c的值

layer_number=20; %在此改隐含层的个数

u=-4:0.001:4;

t=exp(-a*u).*sin(c*u); %这里是矩阵相乘，要用点乘

net=newff(minmax(u),[layer_number,1],{'tansig','purelin'},'traingd');%梯度下降法

y1=sim(net,u);%未训练直接输出

net1=newff(minmax(u),[layer_number,1],{'tansig','purelin'},'traingd');%梯度下降法

net2=newff(minmax(u),[layer_number,1],{'tansig','purelin'},'trainrp');%弹性梯度下降法

net3=newff(minmax(u),[layer_number,1],{'tansig','purelin'},'trainbfg');%拟牛顿算法

net4=newff(minmax(u),[layer_number,1],{'tansig','purelin'},'trainlm');%Levenberg-Marquardt

net.trainParam.show = 50;

net.trainparam.epochs=1000;

net.trainparam.goal=0.01;

net1=train(net1,u,t);%采用梯度下降法训练节点

net2=train(net2,u,t);%采用弹性梯度下降法训练节点

net3=train(net3,u,t);%采用拟牛顿算法训练节点

net4=train(net4,u,t);%采用Levenberg-Marquardt法训练节点

y2_1=sim(net1,u);

y2_2=sim(net2,u);

y2_3=sim(net3,u);

y2_4=sim(net4,u);

subplot(2,2,1)

plot(u,t,'b--',u,y1,'g:',u,y2_1,'r-');

title('1、采用梯度下降法的仿真结果图');xlabel('input_u');ylabel('output_y');

legend('目标函数曲线','未经训练BP网络逼近曲线','训练后的BP网络逼近曲线');

subplot(2,2,2)

plot(u,t,'b--',u,y1,'g:',u,y2_2,'r-') ;

title('2、采用弹性梯度下降法的仿真结果图');xlabel('input_u');ylabel('output_y'); legend('目标函数曲线','未经训练BP网络逼近曲线','训练后的BP网络逼近曲线'); subplot(2,2,3)

plot(u,t,'b--',u,y1,'g:',u,y2_3,'r-') ;

title('3、采用拟牛顿算法的仿真结果图');xlabel('input_u');ylabel('output_y');

legend('目标函数曲线','未经训练BP网络逼近曲线','训练后的BP网络逼近曲线'); subplot(2,2,4)

plot(u,t,'b--',u,y1,'g:',u,y2_4,'r-') ;

title('4、采用Levenberg-Marquardt法的仿真结果图');xlabel('input_u');ylabel('output_y'); legend('目标函数曲线','未经训练BP网络逼近曲线','训练后的BP网络逼近曲线');

仿真结果图：

图1 改变不同训练算法仿真结果

从图1中可以看出，改变不同训练算法得到的结果有所区别。

二、改变参数a,c的值，观察效果

选定一种训练算法，只改变a，c的值，其它不变，在本文中，对c=1，a=0.3，0.5，0.7，1，1.5的情况和a=1，c=0.3，0.5，0.7，1，1.5，3的情况进行了仿真，MATLAB程序如下，结果分别如图2和图3。

clear all;

close all;

clc;

a=1;

c=1; %在此改变a,c的值

layer_number=20; %在此改隐含层的个数

u=-4:0.001:4;

t=exp(-a*u).*sin(c*u); %这里是矩阵相乘，要用点乘

net=newff(minmax(u),[layer_number,1],{'tansig','purelin'},'traingd');%梯度下降法

y1=sim(net,u);%未训练直接输出

net=newff(minmax(u),[layer_number,1],{'tansig','purelin'},'traingd');

net.trainParam.show = 50;

net.trainparam.epochs=1000;

net.trainparam.goal=0.01;

net=train(net,u,t);

y2=sim(net,u);%采用梯度下降法训练节点

plot(u,t,'--',u,y1,':',u,y2,'-');

title('c=1,a=1 的仿真结果图');xlabel('input_u');ylabel('output_y');

legend('目标函数曲线','未经训练BP网络逼近曲线','训练后的BP网络逼近曲线');