MATLAB神经网络实验-非线性逼近

一、导入数据

filename = 'data';
[data] = xlsread(filename,'A2:B72');
p = data( :,1);
t = data( :,2);
%保存数据到matlab的工作路径里面
save p.mat;
save t.mat; 
%赋值给输出p和输入t 
p=p';
t=t'; 

年龄(天)	重量(mg)
15.00	21.66
15.00	22.75
15.00	22.30
18.00	31.25
860.00	246.70
768.00	232.12
756.00	242.57
723.00	230.77
705.00	242.40
660.00	231.00
648.00	244.30
591.00	234.70
554.00	233.90
535.00	209.70
513.00	203.30
394.00	224.82
375.00	202.63
357.00	195.31
354.00	189.70
347.00	188.38
338.00	203.23
317.00	216.41
312.00	195.10
305.00	186.80
301.00	186.70
300.00	186.09
285.00	189.66
276.00	186.26
258.00	183.40
246.00	176.13
237.00	187.07
232.00	161.29
232.00	159.98
227.00	173.73
225.00	177.68
224.00	178.86
219.00	173.54
218.00	173.03
218.00	174.18
195.00	161.10
192.00	145.72
183.00	153.22
165.00	139.81
159.00	142.15
150.00	144.50
147.00	152.20
147.00	155.30
142.00	140.58
142.00	130.68
125.00	134.90
98.00	104.30
97.00	110.00
91.00	102.90
91.00	101.70
85.00	105.00
82.00	92.50
75.00	94.60
75.00	86.10
72.00	71.90
65.00	65.31
65.00	79.51
64.00	79.09
61.00	73.09
60.00	81.00
50.00	61.13
50.00	63.47
44.00	52.03
37.00	46.88
37.00	50.25
29.00	40.55
28.00	44.79

数据需要先进行排序

二、数据归一化

[p1,ps]=mapminmax(p);
[t1,ts]=mapminmax(t);

三、网络设计和训练

TF1='tansig';TF2='purelin'; 
net=newff(minmax(p1),[7,1],{TF1 TF2},'trainlm');%网络创建
%网络参数的设置
net.trainParam.epochs=10000;%训练次数设置
net.trainParam.goal=1e-3;%训练目标设置
net.trainParam.lr=0.1;%学习率设置
net.trainParam.show=25;%显示的间隔次数
% 指定训练参数
[net,tr]=train(net,p1,t1);

四、网络仿真

[normtrainoutput,trainPerf]=sim(net,p1,[],[],t1);%训练的数据

五、反归一化

%将所得的结果进行反归一化
trainoutput=mapminmax('reverse',normtrainoutput,ts);
%数据反归一化
trainvalue=mapminmax('reverse',t1,ts);%正常的验证数据

六、画图

plot(p,t)
hold on
plot(p,trainoutput)
title('数据拟合');
xlabel('年龄');
ylabel('重量')

七、结果和总结

第一次学习这个，在实验过程中，发现使用预测数据不能很好拟合，而使用实验数据可以获得较好的表现，但此问题仍未获得好的解答，希望指正一下。