RBF网络的建立以及其在预测控制的应用.docVIP

RBF网络的建立以及其在预测控制的应用 动103 杨一航 摘要 本次论文主要描述了RBF神经网络，与BP网络相似但又有区别，简单介绍BP网络，着重介绍了RBF神经网络原理，并进行matlab编程，建立并检测RBF网络的性能。最后描述了RBF网络在存在时滞比较大的控制系统中进行预测控制的应用。 关键字：RBF神经网络 matlab编程 预测控制 0引论 神经网络的结构类型很多，大致可以分为前向网络和反馈网络。其中最常用的两种是BP神经网络和RBF神经网络，另外还有基于这两种网络的多种改进模型[1]。RBF神经网络可以根据具体问题确定相应的网络拓扑结构，具有自学习、自组织、自适应功能，它对非线性连续函数具有一致逼近性，学习速度快，可以进行大范围的数据融合，可以并行高速地处理数据。RBF神经网络的优良特性使得其显示出比BP神经网络更强的生命力，正在越来越多的领域内替代BP神经网络。 1 BP网络介绍 BP神经网络（即Back-Propagation网络)是当前应用最广泛的一种人工神经网络。它的结构比较简单，工作状态稳定，硬件容易实现。BP网络是一种反向传递并修正误差的多层映射网络，通常由输入层，中间隐含层，输出层三层神经元组成，一般可用LMS法实现误差后向传播学习方法[2]。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。 2 RBF神经网络 2.1 RBF网络原理 RBF神经网络即径向基函数神经网络（Radical Basis Function）。径向基函数神经网络是一种高效的前馈式神经网络，它具有其他前向网络所不具有的最佳逼近性能和全局最优特性，并且结构简单，训练速度快。同时，它也是一种可以广泛应用于模式识别、非线性函数逼近等领域的神经网络模型[3]。 径向基函数神经网络，其结构与BP网络相似，由3层组成，隐层神经元的激励函数选取高斯函数： 与BP网络不同，隐层神经元中的基函数用以实现从输入向量到Ri(R)的非线性映射，其中p为R维输入向量，为高斯函数中心，为该函数围绕中心点的宽度。为输入模式与中心向量之间的距离。 从自己理解上看，RBF只是把输入映射到另一个空间，类似于时域与频域这两者之间的映射关系一样。从而，原先的几个输入，如果目标是分类的话，可能因分布杂乱而无法达到，但映射到另一空间后，就能达到分类的目的。RBF的隐层，就是输入层映射过去的那一层，这跟BP网络的隐层是不同的。 空间1 ：非线性 空间2：线性 W1 X1 输出y X2 W2 图1 RBF原理图示 2.2一个简单RBF网络的matlab建立 假设给定一个f函数，它的表达式已知，那么对于每个输入，都有确定的输出。对于一个RBF网络，在matlab中，只需给定输入，然后用newrb即可建立该网络，然后可以进行训练，程序如下所示（参考matlab编程视频编写） 这个是一个简单RBF网络，x为输入，F为输出。直接运行即可对该RBF网络进行训练（跟BP网络的不同之处），如下图所示。这是训练结果，训练不断修改权值，直至误差小到一定程度。 图2 训练误差函数曲线 2.3检验该RBF网络的性能 在网络建好之后，编写以下程序，来进行检测这个网络的输出，与理想的输出之间的误差。 程序代码如下： %首先产生一些数据，再转换成一维数据，合并成输入 interval=0.1; [i, j]=meshgrid(-1.5:interval:1.5); row=size(i); tx1=i(:); tx1=tx1; tx2=j(:); tx2=tx2; tx=[tx1;tx2]; %将tx带入网络，进行模拟，画出输出图形 ty=sim(net,tx); v=reshape(ty,row); fi