BP网络逼近仿真研究智能控制导论.docVIP

昆明理工大学自动化系《智能控制导论》学生实验报告 班级： 姓名： 学号： 日期： 2013.5.30 一、实验名称：BP网络逼近仿真研究 二、实验目的：通过上机实习，熟悉MATLAB的基本操作命令和神经网络工具箱的使用，掌握MATLAB编程或神经网络编辑器等方法，进行BP神经网络设计的基本方法和步骤，为以后利用计算机进行神经网络控制系统分析与设计打下良好的基础。 二、实验要求： 1、设计一个BP神经网络来实现对正弦函数关系的逼近； 2、正确的选择确定BP神经网络的相关参数； 3、完成BP网络函数逼近程序的仿真与调试； 4、仿真结果分析； 5、撰写并提交实验报告。 三、实验报告内容： BP网络是一种单向传播的多层前向网络。BP算法的学习过程由正向传播和反响传播组成。在正向传播的过程中，输入信息从输入层经隐层逐层处理，并传向输出层，每层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转至反向传播，将误差信号按连接通路反向计算，由梯度下降法调整各层神经元的权值，使误差信号减小。 1、在MATLAB中输入以下程序： %BP identification clear all; close all; xite=0.50; alfa=0.05; w2=rands(6,1) w2_1=w2;w2_2=w2_1; w1=rand(2,6) w1_1=w1;w1_2=w1; dw1=0*w1; x=[0,0]; u_1=0; y_1=0; I=[0,0,0,0,0,0]; Iout=[0,0,0,0,0,0]; FI=[0,0,0,0,0,0]; ts=0.001; for k=1:1:1000 time(k)=k*ts; u(k)=0.50*sin(3*2*pi*k*ts); y(k)=u_1^3+y_1/(1+y_1^2); for j=1:1:6 I(j)=x*w1(:,j); Iout(j)=1/(1+exp(-I(j))); end yn(k)=w2*Iout; e(k)=y(k)-yn(k); w2=w2_1+(xite*e(k))*Iout+alfa*(w2_1-w2_2); for j=1:1:6 FI(j)=exp(-I(j))/(1+exp(-I(j)))^2; end for i=1:1:2 for j=1:1:6 dw1(i,j)=e(k)*xite*FI(j)*w2(j)*x(i); end end w1=w1_1+dw1+alfa*(w1_1-w1_2); %%%%%%%%%%%%%%%%Jacobian%%%%%%%%%%%%%%%%%%% yu=0; for j=1:1:6 yu=yu+w2(j)*w1(1,j)*FI(j); end dyu(k)=yu; x(1)=u(k); x(2)=y(k); w1_2=w1_1;w1_1=w1; w2_2=w2_1;w2_1=w2; u_1=u(k); y_1=y(k); end figure(1); plot(time,y,r,time,yn,b); xlabel(time);ylabel(y and yn); figure(2); plot(time,y-yn,r); xlabel(time);ylabel(error); figure(3); plot(time,dyu); xlabel(time);ylabel(dyu); 运行程序后得以下结果： 实验结果分析与总结： 由实验所得的图不难看出，只要有足够多的隐层和隐层节点，BP网络可以逼近任意的非线性映射关系；BP网络的学习算法属于全局逼近算法，具有较强的泛化能力；但是在实验过程中也可以看出，由于待寻优的参数多，收敛速度慢。由于BP网络具有很好的逼近非线性映射的能力，因此它在模式识别、图像处理、系统辨识、函数拟合、优化计算、最优预测和自适应控制等领域有着较为广泛的应用。有因为其具有很好的逼近特性和泛化能力，因此可用于神经网络控制器的设计。但由于BP网络收敛速度慢，难以适应实时控制的要求。同时，通过本次实验，我对BP网络也有了更多的了解。