为解决BP神经网络拟合非线性函数的预测结果误差较大问题,笔者将标准粒子群算法进行改进,形成基于免疫接种的粒子群算法(IPSO);然后将该算法与BP神经网络理论相结合,实现基于IPSO算法优化的BP神经网络非线性函数拟合算法。新的拟合算法首先确定BP神经网络结构,然后用IPSO算法优化初始权值和阈值,最后进行BP神经网络预测。数值实验表明,本文提出的IPSO算法提高了BP神经网络的拟合能力,减小了拟合误差,提高了拟合精度。

在tensorflow上用LSTM进行sin函数拟合，LSTM（Long Short-Term Memory）是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。LSTM 已经在科技领域有了多种应用。用这个简单的程序进行入门是很好的

采用遗传算法优化的BP神经网络-非线性函数拟合，各种代码齐全

BP神经网络的非线性系统建模_非线性函数拟合的matlab代码，可以直接运行！

遗传算法优化BP神经网络---非线性函数拟合,matlab遍的

分析化学中非线性多元函数拟合的遗传算法 多元函数拟合方法实例

学习支持向量机拟合方法

四种支持向量机用于函数拟合与模式识别的Matlab示例程序

根据给定 x 轴断点向量的实验 (x,y) 数据生成一维查找表 (LUT) 最佳（具有连续性约束的最小二乘意义）y 轴点。 请注意，应选择 x 轴断点，以便每个 bin 都有足够的数据点进行正确估计。 请参阅 lsq_lut_piecewise_test.m 以获取（合成）实验数据点的示例。 不需要工具箱。 % LSQ_LUT_PIECEWISE 一维插值的分段线性插值（查表） % YI = lsq_lut_piecewise( x, y, XI ) 获得最优（最小二乘意义） % 用于线性插值例程的向量。 % 目标是找到 Y 给定 X 函数的最小化% f = |y-interp1(XI,YI,x)|^2 % ％ 输入％x测量数据向量% y 测量数据向量% XI 一维表的断点% ％ 输出% YI 一维表的插值点% y = interp1(XI,YI,x) %

BP神经网络的非线性系统建模-非线性函数拟合(matlab实现)代码，包含源代码和测试数据