主函数,需调用fx2函数
%fun为进行拟合的非线性函数
%node为隐含层的节点数
%k为最大迭代次数,缺省时,默认为100
%eps为目标值,缺省时,默认为0.0001
%随机产生2000组输入数据x、输出数据y
input=10*rand(1,2000)-5;
output=zeros(1,2000);
for i=1:2000
output(i)=fsin(input(i));
end
%随机选择1000组训练数据和1000组预测数据
input_train=input(1:1000)';
output_train=output(1:1000)';
input_test=input(1001:2000)';
output_test=output(1001:2000)';
%训练数据归一化
[inputn,mininput,maxinput]=premnmx(input_train);
[outputn,minoutput,maxoutput]=premnmx(output_train);
%构建BP神经网络
net=newff([-5 5;-5 5],[5,1],{'tansig' 'purelin'}, 'trainlm' );
%配置网络参数(迭代次数、学习率、目标)
net.trainParam.epochs=3;
net.trainParam.lr=0.1;
net.trainParam.goal=eps;
%BP神经网络训练
net=train(net,inputn',outputn');
%预测数据归一化
inputn_test=tramnmx(input_test,mininput,maxinput);
%BP神经网络预测输出
an=sim(net,inputn_test');
%输出结果反归一化
BPoutput=postmnmx (an,minoutput,maxoutput);
%计算误差
error=BPoutput-output_test';
%网络预测结果图像
figure(1)
plot(BPoutput,':og')
hold on
plot(output_test,'-*');
legend('预测输出','期望输出')
title('BP网络预测输出','fontsize',12)
ylabel('函数输出','fontsize',12)
xlabel('样本','fontsize',12)
%网络预测误差图像
figure(2)
plot(error,'-*')
title('BP网络预测误差','fontsize',12)
ylabel('误差','fontsize',12)
xlabel('样本','fontsize',12)
fx2函数:
function y=fx2(x)
y=x(1)^2+x(2)^2;