智能计算bp网络设计基于bp网络的分类和非线性函数逼近

1)*v:i*v)=A(i,:);Р C(2,1+(i-1)*v:i*v)=B(i,:);РendРoutput=(C));РN=zeros(1,v*v);Рfor i=1:v*vР if output(1,i)>=output(2,i)Р N(1,i)=1;Р endРendРplot3(C(1,:),C(2,:),N,'o');Р 结果分析:Р 说明16个隐藏层节点比较,达到了精度,用时17秒。Р达到精度,可以看出最后测试集中分类效果还可以Р2、基于BP网络的非线性函数逼近Р?(1)问题的提出:Р 现有: x=0:0.01:2 , y=xi2+sinπxi现在利用BP神经网络拟合非线性二元函数Рy=x2+sin⁡(πx)Р?(2)网络的结构:Рnet=newff(minmax(x),[n,1],{'tansig' 'purelin'}, ''trainlm');Р?(3)网络训练(采用不同的隐单元个数,使用常数及自适应学习率,加动量项,数值优化算法) Р 采用不同的隐单元个数:隐层节点个数为n,本次实验取n=7和n=14并对其进行比较。Р 使用常数及自适应学习率:.trainParam.lr=0.1。自适应学习率:'trainlm' 这个位置替换为'traingda'Р 加动量项:'trainlm' 这个位置替换为'traingdm'Р 数值优化算法:'trainlm' 这个位置替换为'traingdx'Р?(4)网络测试与结果分析:Р ①条件:隐层节点个数n=7 + .trainParam.lr=0.1 + 梯度下降训练'traingd'Р%% 设置参数Рx=0:0.01:2;Рy=x.^2+sin(pi*x);Р%% 未训练Рn=7;Рnet=newff(minmax(x),[n,1],{'tansig' 'purelin'},'trainlm');Рy1=,x);