实验四 Matlab 神经网络以及应用于汽油辛烷值预测一、实验目的1. 掌握 MATLAB 创建 BP 神经网络并应用于拟合非线性函数2. 掌握 MATLAB 创建 REF 神经网络并应用于拟合非线性函数3。 掌握 MATLAB 创建 BP 神经网络和 REF 神经网络解决实际问题4. 了解 MATLAB 神经网络并行运算二、实验原理2。1 ＢＰ神经网络2。1.1 BP 神经网络概述ＢＰ神经网络 Rumelhard 和 McClelland 于１９８６年提出。从结构上将，它是一种典型的多层前向型神经网络,具有一个输入层、一个或多个隐含层和一个输出层。层与层之间采纳权连接的方式，同一层的神经元之间不存在相互连接。理论上已经证明，具有一个隐含层的三层网络可以逼近任意非线性函数。隐含层中的神经元多采纳 S 型传递函数，输出层的神经元多采纳线性传递函数。图１所示为一个典型的ＢＰ神经网络.该网络具有一个隐含层,输入层神经元数据为 R，隐含层神经元数目为 S1，输出层神经元数据为 S2，隐含层采纳 S 型传递函数 tansig,输出层传递函数为 purelin.图１ 含一个隐含层的 BP 网络结构2。1。2 BP 神经网络学习规则BP 网络是一种多层前馈神经网络，其神经元的传递函数为 S 型函数，因此输出量为 0 到 1 之间的连续量，它可以实现从输入到输出的任意的非线性映射。由于其权值的调整是利用实际输出与期望输出之差，对网络的各层连接权由后向前逐层进行校正的计算方法，故而称为反向传播（Back—Propogation）学习算法，简称为 BP 算法。BP 算法主要是利用输入、输出样本集进行相应训练，使网络达到给定的输入输出映射函数关系。算法常分为两个阶段：第一阶段（正向计算过程）由样本选取信息从输入层经隐含层逐层计算各单元的输出值；第二阶段（误差反向传播过程）由输出层计算误差并逐层向前算出隐含层各单元的误差 ,并以此修正前一层权值.BP 网络的学习过程主要由以下四部分组成： 1）输入样本顺传播 输入样本传播也就是样本由输入层经中间层向输出层传播计算。这一过程主要是输入样本求出它所对应的实际输出。① 隐含层中第 i 个神经元的输出为② 输出层中第 k 个神经元的输出为：其中 f1（·), f2 (·)分别为隐含层和输出层的传递函数。2)输出误差逆传播在第一步的样本顺传播计算中我们得到了网络的实际输出值，当这些实际的输出值与期望输出值不一样时,或者说其误差大于所限定的数值时，就要对网络进行校正.首先,定义误差函数E（w,b)=其...
