目录
0、问题重述…………………………………………………31、样本确定…………………………………………………32、神经网络结构构造………………………………………3
21隐含层节点数确定……………………………………322结构参数确定…………………………………………4
3、试验法确定隐含层节点数和学习率……………………44、模型建立及其验证………………………………………7
41拟合结果………………………………………………742模型验证………………………………………………8
5、附件………………………………………………………9
1
f0、问题重述：Fu
ctio
approximatio
desig
a
eural
etworkorfuzzymodeltofitthefollowi
gMISOfu
ctio
s
15y2x115si
3x22
1x1x25
Ge
erate200data100poi
tsfortrai
i
ga
dtheother100formodelvalidatio
1、样本确定为了使选择的样本具有：完备性、一致性和简洁性，所以自变量x1和x2从15均匀取200个点（x1141995x2141995），将x1、x2代入函数得到y，即得到原函数三维图形如图11所示。其中，奇数位置作为训练样本偶数位置的数据作为测试样本。
神经网络拟合y2x11515si
3x22
250200150
y
1005005432x2112x1435
图11原函数三维图形
2、神经网络结构构造由于输入变量有两个分别是x1、x2，则输入层的节点数m0为2，输出变量只有y即输出层节点数
0为1。隐含层节点数的多少直接决定了建立的BP神经网络的训练性能，如果节点数太少，网络可能无法训练，或者建立的网络容错性差，鲁棒性差，抗噪音能力差；反之，如果节点数太多，使网络复杂性和训练时间急剧增加，甚至可能使网络难以收敛或无法收敛。建立的结构图如图21所示。
隐含层层输入层输入变量x1输入变量x2
2
…
输出层层
…
输出变量y
f图21BP神经网络结构图
21隐含层节点数确定由经验公式（21）可以初步确定隐含层节点数
1范围是312且为整数。

1
0m0
（21）
式中，
1为隐含层神经元个数，m0为输入向量的维数，
0为输出向量的维数，为修正系数取值为110之间的整数。22结构参数确定终止条件：训练最大迭代数5000（
ettrai
Paramepochs5000），目标误差105（
ettrai
Paramgoal10e5）。学习率不同BP神经网络参数和训练时间也会不同，学习率过大时可能导致系统的不稳定，学习速率较小导致较长的训练时间，可能导致收敛很慢。通过选取不同来做试验，根据得到训练结果来确定适合于本文的值。隐藏层和输出层的传递函数分别为正切S型函r