1、述具体实例可总结，当，时，时，时，对该非线性函数有逼近效果更明显。所以得到，值的多少对网络的函数逼近效果的影响是非常巨大的。同理可知变化网络隐藏层神经元的数目，也可以对这种逼近效果产生极大的影响。隐层神经元的数量越多，预示着在网络能够更加逼近非线性函数。网络在函数拟合中的应用问题的提出如图所示，研究不同映射函数及训练算法对神经网络进行函数拟合的影响不同隐层神经元数对网络拟合函数的影响设定隐层神经元数为，输入层隐层映射函数为型函数，隐层输出层映射函数为线性传递函数，建立神经网络，选择算法训练网络图训练结果隐层神经元数设定隐层。
2、图训练结果输入层隐层采样线性函数设定隐层神经元数为，输入层隐层映射函数为指数函数，隐层输出层映射函数为线性传递函数，建立神经网络，选择算法训练网络图训练结果隐层输出层采样线性函数设定隐层神经元数为，输入层隐层映射函数为指数函数，隐层输出层映射函数为正切传递函数，建立神经网络，选择算法训练网络图训练结果隐层输出层采样正切函数设定隐层神经元数为，输入层隐层映射函数为指数函数，隐层输出层映射函数为指数传递函数，建立神经网络，选择算法训练网络图训练结果隐层输出层采样指数函数不同算法对网络拟合函数的影响设定隐层神经元数为，输入层隐层。
3、标和训练后的曲线图的几乎模样。这充分表明经过训练后的网络的逼近结果比未经训练前好太多。不同频率下的逼近效果将频率参数和非线性函数进行更换然后和隐层神经元数目进行比较。假定频率参数设定为，那么隐层神经元的数量依次取为后，获得了训练后的网络输出结果如图，所示。图时训练后网络的效果图时训练后网络的效果假定频率参数为，那么隐层神经元数目分别取时，得到的训练后的网络输出结果如图，所示。图时训练后网络的效果图时训练后网络的效果设频率参数为，当隐层神经元数目分别取时，得到了训练后的网络输出结果如图，所示图时训练后网络的效果图时训练后网络。
4、神经元数为，其他各层间映射函数不变，建立神经网络，同样选择算法训练网络图训练结果隐层神经元数不同映射函数对网络拟合函数的影响设定隐层神经元数为，输入层隐层映射函数为指数函数，隐层输出层映射函数为线性传递函数，建立神经网络，选择算法训练网络图训练结果输入层隐层采样指数函数设定隐层神经元数为，输入层隐层映射函数为正切函数，隐层输出层映射函数为线性传递函数，建立神经网络，选择算法训练网络图训练结果输入层隐层采样正切函数设定隐层神经元数为，输入层隐层映射函数为线性函数，隐层输出层映射函数为线性传递函数，建立神经网络，选择算法训练网。
5、图，。图控件属性图控件修改各属性后图增加，和组件，更改好各个控件的属性参数如图。图添加各控件后图同理，将软件需要的其他控件次添加，并修改好各控件的属性。添加，修改后如图。图添加及修改各控件后的图点击右键每个控件，选取目录下的，输入各部分功能实现代码。运行效果代码编写完成，编译无误后，点击运行图标，如图。图运行按钮运行后的效果图，如图。图运行效果图网络在非线性函数中的应用网络在函数逼近中的应用问题的提出反向传播网络有很强的非线性映射功能，主要进行对函数拟合函数逼近数据预测等等。要求制作个反向传播网络，逼近，然后得。
6、。如样本数据太少，分析不够全面，没有讨论在数据拟合的具体效果，还需要多加深入研究。随着科技的进步发展，神经网络已经成为人工智能方向个备受青睐的前沿课题，其用途日益广泛，在几乎所有的工程应用领域，都能见到它的身影。神经网络依靠其自身的优秀特性和独特优势，预计会在未来科技领域的研究中迅猛发展。参考文献郑君里,杨行峻人工神经网络北京高等教育出版社,郝中华神经网络在函数逼近中的应用问题的提出基于神经网络逼近函数不同频率下的逼近效果讨论网络在函数拟合中的应用问题的提出不同隐层神经元数对网络拟合函数的影响不同映射函数对网络拟合函数的影。
7、程的流程图。图神经网络的计算过程的流程图基于神经网络逼近函数步骤首先设定频率参数，然后制作要逼近的非线性函数的曲线。得到如图所示的函数曲线。图要逼近的非线性函数曲线步骤网络的建立用函数做个网络结构。隐层神经元数量能改变，先将其假定为，那么输出层将有个神经元。网络训练利用算法来建立函数，其中选择输出层采用函数，隐藏层的神经元传递采用传递函数。与此同时画个网络输出曲线图，并和原来的函数相对比，得到如图所示的结果。图未训练网络的输出结果因为用函数进行创建函数网络时，临界值和权值的起始化是随机的，所以网络输出结构特别不好，无法达到。
8、法结果讨论在其他变量相同的条件下，隐层神经元数目越大越易收敛输入层隐层采样指数函数较易收敛隐层输出层采样线性函数较易收敛采样不同训练算法，收敛速度不同，甚至不收敛。结束语本文首先总结了神经网络的发展背景和研究内容，分析了当下研究中存在的不足以及局限性，然后进步描述了对神经系统结构以和神经网络的工作机制及其相关功能。基于软件图形界面和神经网络的原理下，分析研究了神经网络在函数逼近应用以及不同相关参数对其数据拟合造成的影响，得出了并分析了相关结论。虽然有实例证明在函数逼近以及数据拟合方面神经网络的巨大应用，但是依然存在不少缺陷。
9、到个逼近网络的非线性函数。其中，先后利用的频率参数来进行模拟，利用调节参数变量例如隐藏层节点数量等等得到信号的频率与隐藏层节点之间，隐藏层节点与函数逼近能力之间的关系。网络由的构成是两种正向和反向计算结合。在正向的计算中，首先输入的函数取值传到隐层的节点，经过中间我们自己设定的传递函数，再把所得到的信息通过隐层的节点输出到输出节点，最后输出这个结果。若输出的结果与期望值存在较大的误差，则是要进行反向的误差运算。将所得到的误差信号通过原先输出的通路返回，通过修改连接各个节点的权值使误差减小到可接受的范围。图是神经网络的计算过。
10、的效果以上所有图中实线表示要逼近的非线性函数曲线带点的络的非线性思想洛阳师范学院学报巨军让，卓戎神经网络在中的方便实现新疆石油学院学报韩敏人工神经网络基础大连理工大学出版社，丛爽面向工具箱的神经网络理论与应用中国科学技术大学出版社葛哲学孙志强编著神经网络与实现电子工业出版社，董长虹编著神经网络与应用北京国防工业出版社，胡守仁，等神经网络导论长沙国防科技大学出版社，张玲，张钹人工神经网络理及应用浙江浙江科技大学出版社，,,,,刘冰，等神经网络超级学习手册人民邮电出版社，表示未经训练的函数曲线虚线表示经过训练的函数曲线讨论由上。
11、函数逼近的目标，每次运行的结果也总有不同的地方。步骤网络训练在使用函数进行实验以前，首先设置网络训练的初始数据，第步确定训练时间为，第二步选择的训练精度，其余的训练参数不做改变选择默认值。训练结束以后，整理数据得到图。图训练过程训练误差验证误差测试误差曲线由以上结论可知，网络训练速度特别迅速，只需次循环跌送过程就能达到要求的精度。步骤网络测试将训练之后的网络来次仿真制作个网络输出曲线，并与原来非线性函数曲线和未训练网络输出结果曲线相对比，得出训练后网络的输出结果如图所示。图训练后网络的输出结果由此可以看出，非线性函数曲线图。
12、映射函数为指数函数，隐层输出层映射函数为线性传递函数，建立神经网络，选择算法训练网络图训练结果算法设定隐层神经元数为，输入层隐层映射函数为指数函数，隐层输出层映射函数为线性传递函数，建立神经网络，选择动量梯度算法训练网络图训练结果动量梯度算法设定隐层神经元数为，输入层隐层映射函数为指数函数，隐层输出层映射函数为线性传递函数，建立神经网络，选择贝叶斯正则化算法训练网络图训练结果贝叶斯正则化算法设定隐层神经元数为，输入层隐层映射函数为指数函数，隐层输出层映射函数为线性传递函数，建立神经网络，选择复位算法训练网络图训练结果复位算。
参考资料：
1、该文档不包含其他附件(如表格、图纸)，本站只保证下载后内容跟在线阅读一样，不确保内容完整性，请务必认真阅读。
2、有的文档阅读时显示本站（www.woc88.com）水印的，下载后是没有本站水印的（仅在线阅读显示），请放心下载。
3、除PDF格式下载后需转换成word才能编辑，其他下载后均可以随意编辑、修改、打印。
4、有的标题标有”最新”、多篇，实质内容并不相符，下载内容以在线阅读为准，请认真阅读全文再下载。
5、该文档为会员上传，下载所得收益全部归上传者所有，若您对文档版权有异议，可联系客服认领，既往收入全部归您。
神经网络实现非线性系统设计