基于Matlab实现函数逼近

为满足工程应用中对数据处理的需要,讨论基于Matlab实现函数逼近的三种方法:插值、拟合和神经网络逼近.在介绍基本原理的基础上,利用Matlab的插值和拟合函数,结合实例对分段线性插值、Hermite、三次样条插值及最小二乘曲线拟合法的Matlab实现方法进行研究.设计非线性函数逼近的BP神经网络,通过网络训练、仿真达到了预期的效果.所有结果表明,采用不同的逼近方法,利用Matlab编程可以简单、有效地实现函数逼近.     

改进的BP神经网络在传动轴结构设计中的应用

Shaffer函数定义域在[-10,10]区间内,BP神经网络拟合该函数训练时间长,且无法达到期望精度,说明BP神经网络拟合复杂非线性函数能力需改善。文章提出了一种改进的BP神经网络,先对网络的输入进行K-Means聚类,BP神经网络训练采用大规模节点,聚类输入分别激活部分节点进行训练,每组聚类使用不同的节点,通过子网络训练聚类样本,减少了网络拟合难度。经测试改进的BP神经网络达到了精度。最后,用改进的BP神经网络进行了轴径的最优计算。     

用于电磁兼容预测的函数链神经网络

为了解决传统BP神经网络的电磁兼容性预测方法存在易于局部收敛的问题,提出了一种基于模糊测度的函数链神经网络。该网络通过函数链将初始权重扩展到更高维度上,在实现传统BP网络多层感知的功能同时,计算过程仅为单层运算,因以收敛速度比多层的BP神经网络更快,解决了网络在解决非线性问题时,收敛于局部最小的问题。实验结果表明,提出的基于模糊测度的函数链神经网络在预测电磁兼容性方面更加精确。     

基于BP神经网络对非线性函数拟合

不确定性、非线性常存在于控制领域系统中,难以控制和分析。本文基于BP神经网络对非线性函数拟合进行研究。通过仿真验证了该方法对非线性函数拟合具有良好效果和适用性。     

基于傅里叶变换的BP神经网络滤波

BP神经网络强大的非线性函数逼近、自适应学习和并行信息处理能力使得BP神经网络在信号去噪滤波中得到应用,但是随着BP网络输入向量维数的增加,其自身隐含层层数也会相应增加,从而降低了网络的自适应能力以及延长了学习时间。本文采用基于傅里叶变换的BP神经网络,利用傅里叶变换对信息进行预处理,并利用BP网络强大的函数逼近能力,对信息进行拟合,再通过傅里叶逆变换还原含噪的信息。最后通过MATLAB软件分别对傅里叶变换、BP神经网络、基于傅里叶变换的BP神经网络滤波效果进行仿真比较。     

基于傅里叶变换的BP神经网络自适应滤波

BP神经网络强大的非线性函数逼近、自适应学习和并行信息处理能力使得BP神经网络在信号去噪滤波中得到应用,但是随着BP网络输入向量维数的增加,其自身隐含层层数也会相应增加,从而降低了网络的自适应能力以及延长了学习时间。本文采用基于傅里叶变换的BP神经网络,利用傅里叶变换对信息进行预处理,并利用BP网络强大的函数逼近能力,对信息进行拟合,再通过傅里叶逆变换还原含噪的信息。最后通过MATLAB软件分别对傅里叶变换、BP神经网络、基于傅里叶变换的BP神经网络滤波效果进行仿真比较。     

基于BP神经网络的一种传感器温度补偿方法

简单介绍了硅压阻式传感器温度误差产生的原因及其特点,提出了一种利用BP神经网络对其温度误差及非线性误差进行补偿的方法.根据传感器温度误差的特点设计了一个多层的BP神经网络,其中传感器测试电路中四臂电桥的桥路电压和未经补偿的传感器的输出作为神经网络的两个输入.利用Matlab对该网络进行训练,得到了网络的权值和阚值.经过...     

一种学习速率自适应的可编程片上学习BP神经网络电路系统的设计

设计了一种学习速率自适应的可编程片上学习BP神经网络电路系统.整个系统由前向网络、误差反传网络两部分组成.提出了一种新型的可编程S型函数及其导数的发生器电路.它不仅产生S型函数,完成非线性I－V转换;还利用前向差分法,产生S型函数的导数.这两种函数不仅与理想函数的拟合程度很好,而且易实现对阈值和增益因子的编程.为提高BP神经网络片上学习的收敛速度,还提出了学习速率自适应电路.本文采用标准1.2μm CMOS工艺的模型参数,对整个系统进行了sin(x)函数拟合等模拟实验,验证了该片上学习BP神经网络的优越性能.     

一种用于RBF神经网络参数优化的亲属优先遗传算法

针对硬件实现RBF神经网络提出了一种亲属优先遗传算法,并用于RBF神经网络对中心值参数c进行优化学习.通过Matlab仿真对非线性函数y=sinc(x)进行逼近,并与BP算法、K-means聚类算法以及标准遗传算法进行比较,实验结果证实了所提出的算法的有效性和适用性,既避免了RBF神经网络的学习陷入局部极小,同时也提高了学习效率,为硬件实现RBF神经网络的片上学习提供了基础.     

基于神经网络的传感器非线性误差校正方法

为对传感器进行非线性校正以进一步提高其测量精度,提出了基于神经网络的校正办法。理论分析了传感器非线性误差的复杂性,并以位移传感器标定为例,详细介绍了传感器非线性校正的过程和方法。采用了最小二乘拟合、BP神经网络以及RBF网络三种方法进行校正,设计并实现了RBF网络的校正模型。实验结果证明,RBF网络的校正方法比BP网络校正方法精度提高了约44%,其补偿效果更优,且其在传感器种类变化或环境影响较大的情况下比最小二乘拟合更具非线性补偿优势。     

基于Matlab的BP神经网络结构与函数逼近能力的关系分析

人工神经网络是一种非线性动态数学模型,广泛应用于非线性系统建模、系统辨识、函数逼近等方面。介绍BP网络的结构和学习过程,并介绍利用Matlab人工神经网络工具箱设计BP网络的步骤,在此基础上设计了BP网络以验证其函数逼近能力,仿真结果说明了BP网络具有很强的函数逼近能力。并分析BP网络结构和函数逼近能力的关系,得出网络的结构直接影响网络对函数的逼近能力和效果。     

基才BP神经网络的数字式涡流传感器特性曲线拟合的实现

为了正确反映数字式涡流传感器的实际特性,首先介绍了数字式涡流传感器的工作原理,然后从实测数据出发．提出了应用BP神经网络拟合其特性曲线的方法,运用MATLAB语言编程建立BP神经网络并进行训练和仿真,与现有最小二乘法进行对比。仿真结果表明,基于BP算法所得拟合曲线误差很小、收敛速度快且具有更高的拟合精度．比最小二乘法更具有实际意义。     

BP算法的改进在Matlab的实现研究

利用Matlab中的神经网络工具箱提供的丰富网络学习和训练函数,对BP网络和BP算法的优化方素进行仿真．得到较优的BP算法。     

BP网络的Matlab实现及应用研究

人工神经网络以其具有信息的分布存储、并行处理以及自学习能力等优点,已经在信息处理、模式识别、智能控制及系统建模等领域得到越来越广泛的应用。他的基于误差反向传播算法的多层前馈网络,即BP网络在非线性建模、函数逼近和模式识别中有广泛的应用,介绍了BP网络的基本原理,分析了Matlab人工神经网络工具箱中有关BP网络的工具函数,并给出了部分重要工具函数的实际应用。     

BP网络学习能力与泛化能力之间的定量关系式

分析BP网络过拟合时网络学习能力与泛化能力之间的内在联系,引入描述问题复杂性程度的复相关系数,建立了BP网络过拟合时,反映网络学习能力的训练样本集的训练相对误差与表征泛化能力的网络对检验样本集的测试相对误差之间满足的定量关系式.通过模拟若干不同类型函数的BP网络数值建模试验,确定了关系式中过拟合参数q的取值范围为0.007~0.07,指出BP网络应用于给定样本集的训练过程中,具有较佳泛化能力的停止训练方法.     

GA-BP神经网络在雷达目标跟踪中的应用研究

目标的运动过程一般是非线性过程,神经网络具有很强的非线性拟合能力,可映射任意复杂的非线性关系,以神经网络为基础的模型能够很好地反应目标的非线性运动趋势。本文在分析传统的BP神经网络的基础上,引入GA遗传算法来优化神经网络的初始权值和阀值,同时将GA-BP神经网络模型运用于对雷达目标的跟踪过程中,并通过仿真验证该模型的精度较高。     

神经网络在系统辨识中的应用研究

系统辨识在工业方面应用广泛，用神经网络进行系统辨识适用于线性系统和非线性系统。对系统辨识及神经网络均作了较为详细的介绍，并以BP网络为例介绍了网络的初始化、训练和仿真函数，给出了网络结构的设计和辨识结果的输出。     

基于Matlab和VC++的神经网络仿真实验设计

仿真实验是"人工神经网络"课程教学中的有效手段,它有助于学生加深对相关概念的理解和对所学知识的深化.但是仅利用Matlab进行仿真实验不够直观.本文提出一种Matlab和VC 相结合的仿真实验开发方法,并结合"基于BP神经网络的图像识别"实验介绍了实验开发步骤.实践证明这种方法开发出的实验具有更加友好的界面,有利于学生对神经网络工程应用的理解.     

人工神经网络技术在板料激光弯曲中的应用

基于人工神经网络基本理论,建立在板料激光弯曲中预测材料表面最高温度、弯曲角度的BP网络模型。借助于MATLAB仿真软件中的神经网络工具箱作为开发平台,将试验样本数据和经过试验验证的数值计算结果作为补充的样本数据用于BP网络的训练,利用训练好的BP网络对非线性的样本数据规律进行拟合,实现激光加工工艺参数的优化,为实际生产和加工提供有效的依据。