冲击线性信号的神经网络仿真.pdfVIP

第3l卷第 1期 重庆工商大学学报 (自然科学版) 2014年 1月 Vo1．31 NO．1 JChongqingTechnolBusinessUniv．(NatSciEd) Jan．2014 文章编号：1672-058X(2014)O1-0069-05 冲击线性信号的神经网络仿真木 钟 珊 珊 (重庆市工业学校 基础科，重庆 400043) 摘 要：利用改进的双滑动窗口时滞算法仿真由正弦波组成的冲击响应信号，仿真结果显示利用线性 神经网络对线性系统进行建模具有非常高的精度；表明应用线性神经网络进行实际线性系统预测具有较大 的理论和实用价值． 关键词：冲击线性信号；线性神经网络；双滑动窗 口；Matlab仿真 中图分类号：G421 文献标志码 ：A 当学习系统处于环境平稳时(统计特性不随时间变化)，神经网络具有很好的自适应仿真功能，当了解 了控制系统的性状，则更能用神经网络进行预测．当实际系统为线性系统时，线性神经网具有强大的优 越性 一。 1 基础知识 1．1 数学模型 定义 1 设 ：R—R是从 R到R的映射，设 W=[∞，：，…，∞]∈R且 b∈R，设 为神经网络转移函 数，权重为W，偏移为b，神经网络函数定义为7／(flW，b)，是一个 一R的映射： n ’7 l ，b)(P)=，( toip 4-b) (1) i=1 n 其中P=[P。，P，…，P]∈R 是 维向量，n= toao+b为网络神经元输入，当激励函数(转移函数)为线性 =1 函数时，称为线性神经网络． 可以设计多个神经元和网络输人层，中间层可以设计多个线性转移函数，从而可以仿真任意有限维度 的向量空间规律，多层神经元和多层网络可以决定有多个输出维度 删． 1．2 学习规则 线性神经网络采用监督学习的均方误差学习规则 (meansquareerrorfunction，MSE)，设网络的输入向量 为 ：(X，X ，…， )，而 y=(y，y2，…， )为网络 目标输出向量，则训练样本为S={( ， )，(：，y2)， … ， ( ， )}，n(flW，b)是定义 1所定义的网络，权值参数矩阵是W：( )，b=(b(1)，b(2)，…，b(n))为偏 移向量．设网络的实际输出向量是：=(A(1)，A(2)，…，A())，其中A(k)=叼(flW，b)(P)= (乏∞p 收稿 日期 ：2013—05—08；修回日期 ：2013-05-28． 基金项 目：重庆市科委 自然科学基金计划资助 (2007BB2205)． 作者简介：钟珊珊(1966-)，女，重庆人，高级讲师，从事数据挖掘应用研究 70 重庆工商大学学报(自然科学版) 第31卷 6())，=1，2，…，n，设 =[W，b]，z=[P，1]，若假设转移函数为 n)=n，网络输出向量为o=wP+b= ， 则网络学习规则是网络 目标输出与实际输出之间的误差平方的均值F()收敛到最小值： min () (2) ． 6 ＼ ／ 其中F(X)=一1∑e()= ∑ (—A())． II, k=