04神经网络控制【荐】.pptVIP

* * * * 4.6 Matlab神经网络工具箱 应用图形用户界面（GUI）： 2. Create Network View the perceptron 4.6 Matlab神经网络工具箱 应用图形用户界面（GUI）： 2. Create Network a single input (composed of two elements), a hardlim transfer function, and a single output. 4.6 Matlab神经网络工具箱 应用图形用户界面（GUI）： 3. Train the network 4.6 Matlab神经网络工具箱 应用图形用户界面（GUI）： 3. Train the network 4.6 Matlab神经网络工具箱 应用图形用户界面（GUI）： 误差变化曲线和分类结果： W=[-1.6 -1], b=0 4.6 Matlab神经网络工具箱 应用Matlab实现BP网络 * 首先建立一个BP网络： net = newff([-1 2;0 5],[3 1],{‘tansig’‘purelin’},’traingd’); 两输入变量的取值范围 隐含层节点数3, 输出层节点数1 隐含层节点的转换函数 训练函数的选取 输出层节点的转换函数 4.6 Matlab神经网络工具箱 应用Matlab实现BP网络 * 训练网络： p = [-1 -1 2 2;0 5 0 5]; t = [-1 -1 1 1]; net.trainParam.show = 50; net.trainParam.lr = 0.05; net.trainParam.epochs = 300; net.trainParam.goal = 1e-5; [net,tr]=train(net,p,t); 4.6 Matlab神经网络工具箱 应用Matlab实现BP网络 * 仿真网络： p = [1;2]; a = sim(net,p) a = -0.1011 p = [1 3 2;2 4 1]; a=sim(net,p) a = -0.1011 -0.2308 0.4955 4.6 Matlab神经网络工具箱 例：设计BP网络逼近定义在[-1 1]上的函数： 4.6 Matlab神经网络工具箱 Matlab程序如下： %%%%训练样本集的获取 P=[-1:0.1:1]; for i=1:21 T(i)=0.4*exp(-(0.2-P(i))^2/1); end plot(P,T,+); title(Training Vectors); xlabel(Input Vector P); ylabel(Target Vector T); pause %%%%%建立一个BP网络，并训练 net=newff(minmax(P),[5 1],{tansig purelin},trainlm); net.trainParam.show=10; net.trainParam.goal=0.00001; net.trainParam.lr=0.01; net.trainParam.epochs=100; [net,tr]=train(net,P,T); 4.6 Matlab神经网络工具箱 Matlab程序如下： %%%%检验网络的泛化能力 SP=[-1:0.3333:1] for i=1:7 ST(i)=0.4*exp(-(0.2-SP(i))^2/1); end sy=sim(net,SP) sse=sumsqr(ST-sy); plot(SP,sy, o); hold off 4.6 Matlab神经网络工具箱 有关图形： 训练误差 训练数据拟合情况 泛化能力 * * * * * * * * * * * * * * * * * * * * 4.5.2 NN直接逆控制 基本思想： * 将被控对象的NN逆模型直接与被控对象串联，以便使系统在期望响应（网络输入）与受控系统输出间的到一个相同的映射。因此，该网络直接作为前馈控制器，而且受控系统的输出等于期望输出 * 控制精度依赖于逆模型的精度及其自适应能力，由于不存在反馈，此种方法鲁棒性不足