实际输出值期望输出值
250
200
150
y
100
50
05454353252151x21x1152523354545
图42三维拟合图
x1y平面054545035100x1x2平面150x2y平面
x2
325
y
1002151501
y
505x1005x2
0x1
5
0
图43三维拟合平面投影图建立的BP神经网络参数和均方误差如下：均方误差error185526833137586输入层权值和阈值iw105460287401969256210242964401244857063771833032226447981499025765741306114303469037930800040999603508933502619013871925716553874753897862230936270485844b1724997618704325417131885618426426576958646016
7
f1668470142870270695978069970298输出层权值和阈值iw2Colum
s1through310192677498592805944262570120080413148818236868Colum
s4through501770272798222760221876626904716b2116948399996256通过图42和43可以得到本文选择的参数和建立BP神经网络结构的有效性，以及该模型的正确性。42模型验证使用ra
dperm函数随机打乱1100以获得一个数字序列（ra
dperm（100100）），并使用该序列将100个测试样本分成10组做交叉验证，即依次取该序列10个数据，将得到的数据作为选取测试样本（test2）相应的位置的值，验证结果如表421和图421所示。表421验证结果组数均方误差样本均值方差1323909004537446247070983722483158492591829827701298178668766510404292006216275662267803121460665007187745128160660714175368134798341357177007436091165420770654761713132759782579658398973150100217577911725014467568315036684817635318185140633791581642997546934473472727730685201920976635747452712638392328494810266741007833388689562424727150797975322591705767527138861705767527138869046902584251108750911048813528750911048813521539822171932
交叉验证的均方误差14
12
10
8
error
64201
2
3
4
56
umber
7
8
9
10
8
f图421均方误差曲线综上所述，通过确定BP神经网络的结构以及参数试验选择，建立了适合本文的神经网络，并通过10次的模型交叉验证来验证模型准确性，从表中可以看出模型基本上准确的，但是泛化性能不是非常好。5、附件
输入样本clcclearallformatlo
ggy10x1141995x2141995x3x1x2fori1le
gthx1forj1le
gthx2y1ij2x1i1515si
3x2j2e
de
dX10X20meshgridx10x20meshx1x2y1holdo
fori1le
gthx1yi2x1i1515si
3x2i2e
dtest1test2y1y2确定训练样本和交叉验证样本fori12le
gthx1test1test1x3iy1y1yie
dfori22le
gthx1test2test2x3iy2y2yr