Elman神经网络.pptVIP

第九章 Elman神经网络 Elman网络结构 带反馈的BP网络 行程迟滞具有短期记忆功能 Elman神经网络结构特点 四层：输入层、中间层（隐藏层）、承接层和输出层 承接层：又称为上下文层或状态层，记忆隐含层前一时刻的输出 对历史状态敏感，增加处理动态信息的能力，可动态建模 Elman网络神经元 输入层：没有神经元 隐藏层：S神经元 承接层：没有神经元 输出层：线性神经元 Elman网络学习算法 也采用BP算法进行权值修正，指标函数为误差平方和 Elman网络的构建 NET = NEWELM(PR,[S1 S2...SNl],{TF1 TF2...TFNl},BTF,BLF,PF) PR - Rx2 维矩阵，表示R个输入的范围 Si -每层有几个神经元 TFi – 每层神经元的类型 BTF – 训练算法，默认为 traingdx. BLF – 学习算法，默认为 learngdm. PF - 表现函数，默认为 mse 例一：构建一个Elman网络 构建一个单输入、单输出，隐藏层有5个神经元的Elman网络 输入网络的IW，LW1和LW2进行观察分析（维数） 随机产生一个输入向量，观察相应输出 为输入向量指定期望输出进行训练 观察训练后网络的输出 振幅检测 检波、低通滤波 例二：应用Elman网络进行振幅检测 意义：演示Elman网络如何进行时间模式识别和分类（低通滤波） 实现方法 设置输入（两种振幅的正弦波）和期望输出 建立网络并根据输入和期望输出进行训练 用原输入信号对网络进行测试 用一组新的输入信号（频率和振幅都有改变）对网络进行测试 例三：基于Elman网络的空调负荷预测 空调系统的逐时负荷是按时间顺序排列的数字序列，它们之间有某种统计意义上的关系，很难用函数描述 空调负荷预测问题：多变量、强耦合、严重非线性、动态性 要求：根据过去的N（N≥1）个数据预测未来M（M ≥1 ）个时刻的值 预测方法的选取 神经网络方法的优势 并行、分布式、自组织 静态网络 BP网络：系统定阶困难、规模大、收敛慢 动态网络 Elman：适应时变特性 样本数据的分段方法 空调负荷数据 每天只选9~12四个小时的负荷 基于Elman网络的空调负荷预测步骤 构造训练样本：每3天的负荷作为输入向量，第4天的复合作为目标向量（三组训练样本，第7天的数据作测试） 网络结构：输入层12维，输出层4个神经元，中间层神经元设置为13个 设置训练参数，最大训练次数1000 用第7天的数据做测试 Elman网络小结 结构：带反馈的BP网络（在隐藏层反馈） 特点：有短期记忆功能 应用：时间模式识别和分类