matlab神经网络拟合非线性函数怎么用

%% 构造拟合数据

for i=1:4000

    input(i,:)=10*rand(1,2)-5;

    output(i)=input(i,1)^2+input(i,2)^2;

end

output=output';

save data input output

%% 清空环境变量

clc

clear

tic

%% 训练数据预测数据提取及归一化

%下载输入输出数据

load data input output

%从1到2000间随机排序

k=rand(1,4000);

[m,n]=sort(k);

%找出训练数据和预测数据

input_train=input(n(1:3900),:)';

output_train=output(n(1:3900),:)';

input_test=input(n(3901:4000),:)';

output_test=output(n(3901:4000),:)';

%选连样本输入输出数据归一化

[inputn,inputps]=mapminmax(input_train);

[outputn,outputps]=mapminmax(output_train);

%% BP网络训练

% %初始化网络结构

net=newff(inputn,outputn,5);

net.trainParam.epochs=100;

net.trainParam.lr=0.1;

net.trainParam.goal=0.0000004;

%网络训练

net=train(net,inputn,outputn);

%% BP网络预测

%预测数据归一化

inputn_test=mapminmax('apply',input_test,inputps);

%网络预测输出

an=sim(net,inputn_test);

%网络输出反归一化

BPoutput=mapminmax('reverse',an,outputps);

%% 结果分析

figure(1)

plot(BPoutput,':og')

hold on

plot(output_test,'-*');

legend({'预测输出','期望输出'},'fontsize',12)

title('BP网络预测输出','fontsize',12)

xlabel('样本','fontsize',12)

ylabel('输出','fontsize',12)

print -dtiff -r600 4-3

%预测误差

error=BPoutput-output_test;

figure(2)

plot(error,'-*')

title('神经网络预测误差')

figure(3)

plot((output_test-BPoutput)./BPoutput,'-*');

title('神经网络预测误差百分比')

errorsum=sum(abs(error));

toc

save data net inputps outputps