資源描述：
《基于bp神經(jīng)網(wǎng)絡(luò)的函數(shù)擬合算法研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學術(shù)論文-天天文庫。
1、基于BP神經(jīng)網(wǎng)絡(luò)的函數(shù)擬合算法研究[摘要]人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork，ANN）是智能領(lǐng)域的研究熱點，目前已經(jīng)成功地應(yīng)用到信號處理、模式識別、機器控制、專家系統(tǒng)等領(lǐng)域中。在神經(jīng)網(wǎng)絡(luò)技術(shù)中，BP神經(jīng)網(wǎng)絡(luò)因具有結(jié)構(gòu)、學習算法簡單等特點，近年來得到廣泛的關(guān)注，相關(guān)技術(shù)已經(jīng)在預(yù)測、分類等領(lǐng)域中實現(xiàn)產(chǎn)業(yè)化。本文針對經(jīng)典的函數(shù)擬合問題，以BP神經(jīng)網(wǎng)絡(luò)為工具，力求分析BP神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)目對網(wǎng)絡(luò)性能以及函數(shù)擬合效果的影響。通過Matlab的仿真實驗結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)作為高效的計算智能工具，是實現(xiàn)復(fù)雜函數(shù)擬合的有效工
2、具。[關(guān)鍵字]人工神經(jīng)網(wǎng)絡(luò)；BP神經(jīng)網(wǎng)絡(luò)；函數(shù)擬合FunctionFittingBasedonBPNeuralNetwork[Abstract]Artificialneuralnetworkisahottopicinthefieldofintelligent，ithasbeensuccessfullyappliedtothefieldofsignalprocessing,patternrecognition,machinecontrol,expertsystems,etc.Intheneuralnetworktechnology,BPneur
3、alnetworkduetohavingastructurelearningalgorithmandsimple,itiswidespreadconcerninrecentyears,relatedtechnologieshavebeenforecasting,classificationandotherareasofindustrialization.Inthispaper,afunctionforfittingtheclassicproblemswithBPneuralnetworkasatooltoseektoanalyzethenum
4、berofBPneuralnetworkhiddenlayerneuronimpactonnetworkperformanceandfunctionfittingeffect.Matlabsimulationresultsshowthat,BPneuralnetworkasanefficientcomputationalintelligencetools,isaneffectivetooltoachievecomplexfunctionfitting[Keywords]Artificialneuralnetworks;BPneuralnetw
5、ork;Functionfitting目錄1引言11.1研究意義11.2研究現(xiàn)狀11.2.1函數(shù)擬合的工具及方法21.2.2神經(jīng)網(wǎng)絡(luò)的發(fā)展現(xiàn)狀31.3本文研究內(nèi)容31.4本文的組織結(jié)構(gòu)42人工神經(jīng)網(wǎng)絡(luò)簡介52.1人工神經(jīng)網(wǎng)絡(luò)特性52.2人工神經(jīng)網(wǎng)絡(luò)的特點62.3人工神經(jīng)網(wǎng)絡(luò)的基本特性和結(jié)構(gòu)62.4人工神經(jīng)網(wǎng)絡(luò)的主要學習算法82.5BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)92.6BP神經(jīng)網(wǎng)絡(luò)訓練方法113基于BP神經(jīng)網(wǎng)絡(luò)的函數(shù)擬合算法設(shè)計與實現(xiàn)143.1面向函數(shù)擬合的BP網(wǎng)絡(luò)結(jié)構(gòu)143.1.1函數(shù)問題的提出143.1.2建立BP神經(jīng)網(wǎng)絡(luò)153.1.3網(wǎng)絡(luò)仿真153.1
6、.4網(wǎng)絡(luò)測試163.2實驗及其結(jié)果分析183.2.1設(shè)置實驗參數(shù)183.2.2實驗結(jié)果分析194結(jié)論245致謝語25[參考文獻]261引言1.1研究意義函數(shù)擬合在數(shù)值計算中有著十分廣泛的應(yīng)用。如何近似地表示函數(shù)，是函數(shù)擬合涉及的基本問題。在進行數(shù)學的理論知識研究和實際的應(yīng)用過程中，經(jīng)常遇到如下問題：在已知數(shù)據(jù)中尋找一個函數(shù)，使它在一定意義下成為已知數(shù)據(jù)的近似表示，并求出近似表示所產(chǎn)生的誤差，這即是函數(shù)的擬合問題。在函數(shù)擬合中，可以選擇多種函數(shù)類用來擬合已知數(shù)據(jù)。而對的近似程度即誤差，也可以有多種計算方法。對于經(jīng)典的函數(shù)擬合原理，理論分析嚴密，
7、體系十分成熟。但由此衍生的許多算法都有一些共同的缺點：計算量較大，適應(yīng)性較差，對模型和數(shù)據(jù)的要求較高，依賴性強，而神經(jīng)網(wǎng)絡(luò)應(yīng)用于函數(shù)擬合的優(yōu)越性可在許多情況下體現(xiàn)出來，如：第一，它提供了一個標準的擬合結(jié)構(gòu)以及隨著隱含層神經(jīng)元個數(shù)改變而能達到任意精度的擬合工具；第二，有標準的學習算法用以確定擬合函數(shù)的參數(shù)，并且這一過程是擬人的，即，很好地模擬了人的學習過程；第三，能處理的數(shù)據(jù)對象十分廣泛：適用于大規(guī)模的，高度非線性的，不完備的數(shù)據(jù)處理。利用神經(jīng)網(wǎng)絡(luò)進行函數(shù)擬合一般是從樣本出發(fā)，對未知函數(shù)進行非線性擬合。神經(jīng)網(wǎng)絡(luò)可以計算復(fù)雜的輸入和輸出結(jié)果之間的
8、關(guān)系，因此非線性函數(shù)的擬合可以由神經(jīng)網(wǎng)絡(luò)來實現(xiàn)。運用神經(jīng)網(wǎng)絡(luò)進行函數(shù)擬合在應(yīng)用數(shù)學方面有十分重要的意義，更重要的是，其在工程學和物理學領(lǐng)域也有著十分重要的作用，這是
