%BP網絡用于函數逼近
P=-1:0.1:1;
T=[-0.96 -0.577 -0.0729 0.377 0.641 0.66 0.461 0.1336 -0.201 -0.434 -0.5 -0.393 -0.1647 0.0988 0.3072 0.396 0.3449 0.1816 -0.0312 -0.2183 -0.3201];
plot(P,T,'*');
title('Training Vectors');
xlabel('Input Vector P');
ylabel('Target Vector T');
S1=5;%自己調整知道找到滿意的結果為止,但我認為5個是比較滿意的
[W1,B1,W2,B2]=initff(P,S1,'tansig',T,'purelin');
%[W1,B1]=rands(S1,R);
%[W2,B2]=rands(S2,R);
disp_freq=10;
max_epoch=30000;
err_goal=0.02;
lr=0.01;
TP=[10 400 0.02 0.01];
[W1,B1,W2,B2,epochs]=trainbp(W1,B1,'tansig',W2,B2,'purelin',P,T,TP)
clc
P2=-1:0.025:1;
A2=purelin(W2*tansig(W1*P2,B1),B2)
%次網絡需要多訓練幾次，每次得到的函數可能不一樣，找到最好的為止