Question

求matlab的神经网络对实验数据进行拟合程序

我做的是pt100标定试验，数据如下，温度=[0 3.9 4.1 7.3 8.4 13.1 14.8 16.4 17.7 19 19.7 20.3 21.2 24.5 26.3 27.8 28.9 29 29.8 31.1 32.8 33.5 34.5 35.6 36.2 37.6 37.8 38.7 39.4 40.3 41 41.4 42.5 43.9 45 45.7 46.9 47.8 49 49.4 51.4 53 54 55.6 56.9 57.5 58.9 59.7 61.4]';
>> 电阻=[100.16 101.87 101.97 102.99 103.43 105.23 105.89 106.54 107.01 107.52 107.77 108.01 108.39 109.64 110.33 110.90 111.32 111.41 111.86 112.53 112.63 113.10 113.52 113.94 114.39 114.52 114.92 115.26 115.87 115.90 116.27 116.96 117.32 117.71 118.13 118.34 118.62 118.96 119.59 120.20 120.68 121.33 121.90 122.17 122.94 123.27 123.85]';
温度电阻的关系式R=0.0002t^2+0.3676t+100.3780
急求基于matlab的神经网络数据拟合程序

Answer 1

%你没说神经网络类型，就使用最简单的前向反馈网络拟合。
t=[0 3.9 4.1 7.3 8.4 13.1 14.8 16.4 17.7 19 19.7 20.3 21.2 24.5 26.3 27.8 28.9 29 29.8 31.1 32.8 33.5 34.5 35.6 36.2 37.6 37.8 38.7 39.4 40.3 41 41.4 42.5 43.9 45 45.7 46.9 47.8 49 49.4 51.4 53 54 55.6 56.9 57.5 58.9 ];%这里发现t有49个数据,而R就47个，因此将后两个删除
R=[100.16 101.87 101.97 102.99 103.43 105.23 105.89 106.54 107.01 107.52 107.77 108.01 108.39 109.64 110.33 110.90 111.32 111.41 111.86 112.53 112.63 113.10 113.52 113.94 114.39 114.52 114.92 115.26 115.87 115.90 116.27 116.96 117.32 117.71 118.13 118.34 118.62 118.96 119.59 120.20 120.68 121.33 121.90 122.17 122.94 123.27 123.85];
net = newff(t,R,20);%隐层预设20个
net = train(net,t,R);
simplefitOutputs = sim(net,t);

追问

出现这个问题了，改成列矩阵也不行啊， Error using ==> newff
Input ranges is not a two column matrix.在有，麻烦说的详细点，我没接触过神经网络，用这个拟合完能得到一个函数么，还有曲线表示什么意思啊？这个可以用BP网络来拟合么》

追答

1、你也不看的，我这里不是贴上去了，你最后有'表示转置，但是newff要求列向量，所以不能转置；
2、你没接触过神经网络怎么做起实验来了。这我都看不懂你说的话。即使我注释了，你也看不懂啊！
------------------------------------------------------------------------------------------------------------------
曲线表示一个函数的图像；上面的程序就是BP前向反馈网络。

追问

我是在处理一组数据，我用的是最小二乘法的拟合，但是我想试试神经网络的，呵呵，说的在详细点吧，先谢谢了，我直接复制你的贴上来的数据，怎么也还是出现那个问题啊

追答

%下面是两种方法的对比
t=[0 3.9 4.1 7.3 8.4 13.1 14.8 16.4 17.7 19 19.7 20.3 21.2 24.5 26.3 27.8 28.9 29 29.8 31.1 32.8 33.5 34.5 35.6 36.2 37.6 37.8 38.7 39.4 40.3 41 41.4 42.5 43.9 45 45.7 46.9 47.8 49 49.4 51.4 53 54 55.6 56.9 57.5 58.9 ];%这里发现t有49个数据,而R就47个，因此将后两个删除
R=[100.16 101.87 101.97 102.99 103.43 105.23 105.89 106.54 107.01 107.52 107.77 108.01 108.39 109.64 110.33 110.90 111.32 111.41 111.86 112.53 112.63 113.10 113.52 113.94 114.39 114.52 114.92 115.26 115.87 115.90 116.27 116.96 117.32 117.71 118.13 118.34 118.62 118.96 119.59 120.20 120.68 121.33 121.90 122.17 122.94 123.27 123.85];

subplot(2,2,1);plot(t,R,'r*'); hold on;
% R=0.0002*t^2+0.3676*t+100.3780;
plot(t,0.0002*t.^2+0.3676*t+100.3780,':'); %绘制不含噪声的余弦曲线
legend('训练样本','正确的曲线')
title('样本数据');

p=polyfit(t,R,2)
y1=polyval(p,t);
subplot(223),plot(t,R,'r*',t,0.0002*t.^2+0.3676*t+100.3780,'b:',t,y1,'g');
legend('训练样本','正确的曲线','拟合曲线'),grid;
% xlabel(sprintf('多项式:y=%.2fx^2+%.2fx+%.2f',p(1),p(2),p(3)));
% pretty(poly2sym(p))
xlabel(sprintf('多项式:%s',poly2str(p,'x')));
title('最小二乘法的多项式拟合');

net=newff(minmax(t),[20,1],{'tansig','purelin'}); %创建一个新的前向神经网络
net.trainFcn='trainlm'; %设置训练方法及参数
net.trainParam.epochs=500;
net.trainParam.goal=1e-6;
net=init(net);%初始化网络

[net,tr]=train(net,t,R); %调用相应算法训练BP网络
A=sim(net,t); %对BP网络进行仿真
E=R-A; %计算仿真误差
MSE=mse(E);%均方误差

subplot(224);plot(t,R,'*r',t,0.0002*t.^2+0.3676*t+100.3780,'b:',t,A,'g'); %绘制拟合结果曲线
legend('训练样本*','真实曲线','拟合曲线');
xlabel(sprintf('均方误差（MSE）：%e',MSE));
title('神经网络拟合');

追问

谢谢你了，最后在问个弱问题，神经网络得出曲线，能变成个函数关系么？

追答

你最后一问已超出本题范围，希望你以后最好能一题一问。
这次我给你回答，不过回答了你也未必看的懂：
神经网络曲线不是通过一个函数关系得到的，而是通过n个函数关系得到的，你看看神经网络模型就知道了，简单表述：神经网络模型有n个输入,中间有隐层的m个神经元，再有相应的输出。
训练无非就是得到权重。因为根据神经网络模型，只有权重是未知的。一旦权重获知，就有非线性处理能力。举个简单的例子（这里i的上限是神经元个数，例如上题中的20）：
Y(i)=W(i)*X(i)
X是输入，W是权重，Y是输出。训练时，因为知道X和Y，而去预估W（注意W有20个），因此可以任选（实际上是一个枚举排列过程）Y和X中的20个，得到一组W，再任选20个，再得到一组W，取这两组的合适值（什么叫合适值，你自己理解，比如说修正后的W对两组数据的有效性都综合更高而不是偏向于其中一组，所以模型可以选择训练方法和参数），如此迭代一直下去，直到获得的20个W值对所有训练数据总体MSE最小。