卷积神经网络拟合函数关系 matlab举例

以下是一个简单的例子，使用 MATLAB 中的卷积神经网络拟合一个非线性函数：

假设我们要拟合一个非线性函数 f(x) = sin(x) + 0.5x，其中 x 的取值范围为 [-5,5]。

首先，我们需要生成一些样本数据，用于训练和测试模型。以下是生成数据的 MATLAB 代码：

% 生成样本数据
x_train = linspace(-5,5,1000)';
y_train = sin(x_train) + 0.5*x_train;
x_test = linspace(-5,5,200)';
y_test = sin(x_test) + 0.5*x_test;

接下来，我们需要构建一个卷积神经网络模型。这里我们使用了一个简单的卷积神经网络模型，包含一个卷积层、一个池化层和一个全连接层。以下是模型的 MATLAB 代码：

% 构建卷积神经网络模型
layers = [
    imageInputLayer([1 1])
    convolution2dLayer(1,16)
    reluLayer
    maxPooling2dLayer(1,'Stride',1)
    fullyConnectedLayer(1)
    regressionLayer
];

% 设置训练选项
options = trainingOptions('adam', ...
    'MaxEpochs',100, ...
    'ValidationData',{x_test,y_test}, ...
    'Plots','training-progress');

% 训练卷积神经网络模型
net = trainNetwork(x_train,y_train,layers,options);

最后，我们可以使用训练好的卷积神经网络模型来预测测试数据，并计算预测结果与真实结果之间的均方误差（MSE）。以下是预测和计算 MSE 的 MATLAB 代码：

% 使用卷积神经网络模型预测测试数据
y_pred = predict(net,x_test);

% 计算预测结果与真实结果之间的 MSE
mse = mean((y_test - y_pred).^2);
disp(['MSE: ' num2str(mse)]);

运行以上 MATLAB 代码，即可得到卷积神经网络拟合非线性函数的结果。