神经网络报告仿真设计报告

1、University of Science & Technology Beijing人工神经网络仿真设计作业班级学号姓名自动化学院一、目标对非线性函数进行拟合。（在MATLAB R2014版本下调试通过）二、采用网络采用RBFW络。三、RBF网络学习过程RBF网络结构：除藏片大个沟p在RBF网络之前训练，需要给出输入向量 X和目标向量y,训练的目的是要 求得第一层和第二层之间的权值 W1阀值B1,和第二层与第三层之间的权值 W2 阀值B2。整个网络的训练分为两步，第一步是无监督的学习，求 W1 B1。第二步是 有监督的学习求W2 B2。网络会从0个神经元开始训练，通过检查输出误差使网络自动增加

2、神经元。每次循环使用，重复过程直到误差达到要求。因此RBF网络具有结构自适应确定， 输出与初始权值无关的特征。流程图四、结果分析被拟合函数为：F = 10+x1.A2-8*sin(2*pi*x1)+x2.A2-4*cos(2*pi*x2);其中x为：x1、x2为11.5:0.1:1.5区间上的随机400位数字RBF神经网络的调用语句为：net = newrb(P , T, GOAL SPREADMN| DF)P为输入向量，T为目标向量，GOA西均方误差，默认为0, SPREAD；径向 基函数的分布密度，默认为1, MN为神经元的最大数目，DF为两次显示之间所添加的神经元神经元数目。卜面分别对S

3、PREADMN,D脓不同值测试。SPREAD=0.5 MN=2000 NEW虱目-gT2i口？ IB 1BS2J8eJ07, Goa4 iw OTrain4 闻oID图 1 NEWRB, neurons = 200, MSE = 1.65238e-07图2 SPREAD=0.5 MN=200寸仿真结果SPREAD=0.5 MN=400SUEUU恚 a图 3 NEWRB, neurons = 400, MSE = 9.47768e-13图4 SPREAD=0.5 MN=40。寸仿真结果SPREAD=1MN=200S3图 5 NEWRB, neurons = 200, MSE = 1.17356e

4、-07图6 SPREAD=1 MN=200寸仿真结果SPREAD=1MN=400EJ EWRB31PgrrcwmanGS 话 1 .&0702-00. Goal i-s 010 P-11 -.,|T曲 n，J图 7 NEWRB, neurons = 400, MSE = 1.60702e-08图8 SPREAD=1 MN=400寸仿真结果SPREAD=2MN=400 NEWRB1OT o o O 111 中 U匚fflE 凸 tOJQ图 9 NEWRB, neurons = 400, MSE = 0.332281图10 SPREAD=2 MN=400寸仿真结果对泛化能力的测试训练时，x的取值范

5、围为-1.5:0.1:1.5测试时，x取-2:0.1:2图11泛化能力测试可以看出，网络的泛化能力稍差，尤其对于取值边界部分，误差较大五、参数分析SPREADS在测试中，对RBF网络的SPREA参数和MNa数分别取不同的数值组合，得 到了上述结果。SPREA参数叫做扩展速度，其默认值为1。SPREAD：,函数拟合越平滑， 但是逼近误差会变大，需要的隐藏神经元也越多，计算也越大。 SPREAD1小， 函数的逼近会越精确，但是逼近过程会不平滑，网络的性能差，会出现过适应现 象。所以具体操作的时候要对不同的 SPREAD进行尝试，SPREA即要大到使得 神经元产生响应的输入范围能够覆盖足够大的区域，

6、 同时也不能太大，而使各个 神经元都具有重叠的输入向量响应区域。在本次测试中，可以看出SPREAD=0.时，误差达到最小，MSE= 9.47768e-13 SPREAD=1寸,MSE = 1.60702e-08 ,虽然误差稍大，但逼近过程会更加平滑。 SPREAD= 2, MSE = 0.332281，误差急剧变大，从图像中也可看出，图像拟合效 果较差。MN数MNa数为隐层神经元个数，MN大对数据的拟合越精确，在本例中，对数据拟合最好的情况MN=400即输入数据X的数量权值w与阈值b在网络运行后，在命令行窗口输入net.IW1ans =0.0422 0.0020-1.4445 1.37460.1840 -1.49811.2000 1.1240 权值为400*2的矩阵，不一一列出具体数字; net.b1ans =0.83260.83260.8326 阈值为400*1的矩阵，不一一列出具体数字。六、小结RBF网络能够逼近任意的非线性函数，可以处理系统内的难以解析的规律性，具有良好的泛化能力，并有很快的学习收敛速度。在