当前课程知识点:智能控制 > 第六章 典型神经网络 > 6.2 BP神经网络 > 6.2.2.2 BP神经网络应用实例分析之二:非线性函数拟合
下面我们看BP神经网络的
应用非线性函数拟合
是第二个例子
我们要设计一个MATLAB程序
采用BP神经网络
解决非线性函数的拟合问题
BP神经网络训练
采用输入输出数据训练神经网络
使得训练后的神经网络
能够拟合出非线性函数
进而预测非线性函数的输出
这个表里面
我们给了一组实测数据17组
需要采用BP神经网络
求出它们之间的函数关系
y和x之间函数关系
那么这17组输入输出数据分为两部分
前面12组作为训练样本
后面5组作为测试样本
用来测试神经网络的拟合性能
神经网络预测
用训练好的神经网络预测函数输出
并对预测的结果进行分析
那么这是采用BP神经网络
拟合的步骤
第一步 初始化参数
根据拟合的非线性函数特点
构建BP神经网络
是一个输入一个输出的
第二步 利用非线性函数
输入输出数据
训练BP神经网络
这是训练样本
用它来进行训练
BP神经网络的权值阈值
第三步通过信号的正向反向传播
对样本进行误差训练
调整它的连接权值和阈值
第四步 判断系统的平均误差
如果结果达到了设定要求
就学习结束
否则的话返回步骤二
继续迭代
第五步 利用训练好的BP神经网络
基于测试样本
到输入信号
进行预测它的输出
并与它的实际输出进行比较
这是采用Matlab仿真得到的结果
对于我训练好的
通过训练样本
训练好了BP神经网络
对于后面五组数据
五个样本进行测试
蓝色的线表示它的期望输出
也就是还是要真实值
带圆圈的虚线表示它的预测输出
也就是神经网络的输出
基本上后面两个点是拟合的
第四个样本和第五个几乎拟合
前面三个还是有点差异
那么画出
函数拟合的绝对误差
是这条曲线
我们可以看到
在利用前12组数据
对BP神经网络进行训练200次后
再对后面5组数进行测试
预测的结果与实际值基本吻合
这表明BP神经网络
可以对非线性函数进行拟合
但是虽然它有较高的拟合能力
但它的网络预测结果仍然有一定的误差
某些样本点
前面三个点
它的预测误差还是比较大的
如果想要进一步地大大降低误差
达到更好的拟合效果
还需要结合其它的智能算法
进行进一步的优化改进
以得到更好的预测效果
-开篇
--开篇
-1.1课程考试方式
-1.2 数据、信息、知识与智能
-1.3传统控制面临的挑战
-1.4 控制科学发展过程
-1.5 智能控制的多元论
--1.5
-1.6 控制策略的渗透与融合
--1.6
-1.7 智能控制与传统控制的联系与区别
--1.7
-1.8 智能控制的类型之分级递阶智能控制系统
--1.8
-1.9 智能控制的类型之专家控制系统
--1.9
-1.10 智能控制的类型之模糊控制系统
--1.10
-1.11 智能控制的类型之神经网络控制系统,智能控制的类型之基于规则的仿人智能控制系统,集成智能控制系统,组合智能控制
--1.11
-1.12智能控制系统的类型之基于规则的仿人智能控制系统,集成智能控制系统,组合智能控制
--1.12
-1.13本章小结
--1.13
-第一章测试
-2.1基于搜索的问题求解
-- 2.1.7 均一代价搜索
-- 2.1.10 A星算法
-2.2 专家系统简介
- 2.3 专家PID
-第二章测试
-3.1 模糊控制概述
-3.2 模糊集合
-3.3 隶属函数
--3.3隶属函数.
-3.4 模糊关系及其运算
-第三章测试
- 4.1 模糊自适应整定PID控制原理
-4.2 基于FF的模糊PID控制试验验证
-第四章测试
- 5.1 神经网络简介
- 5.2 神经网络的发展简史
-5.3 神经网络的基本概念
- 5.4 神经网络的分类
-5.5 神经网络的学习算法、基本特征和研究领域
-第五章测试
-6.1 感知器
--6.1.2.1 感知器应用实例分析(实现逻辑运算与或非)
- 6.2 BP神经网络
--6.2.2.1 BP神经网络应用实例分析之一:逻辑运算异或实现
--6.2.2.2 BP神经网络应用实例分析之二:非线性函数拟合
-第六章测试
- 7.1 什么是遗传算法
-7.2 遗传算法的特点
-7.3 遗传算法的基本操作之复制
-7.4 遗传算法的基本操作之交叉与变异
-第七章测试
-8.1 遗传编程工作原理
-8.2 遗传编程基本操作之复制
-8.3 遗传编程基本操作之交换和突变
- 8.4 遗传编程的工作步骤及实例分析
-第八章测试
-期末测试