编程实现Hermit多项式的逼近问题智能控制技术试验.docVIP

智能控制理论与应用实验 实验三：利用MATLAB神经网络工具箱编程实现Hermit多项式逼近 一、实验目的： （1）加深对神经网络控制概念的理解； （2）掌握神经网络工具箱的应用； （3）熟练编程操作。 二、实验内容： 利用MATLAB神经网络工具箱编程实现Hermit多项式逼近。 实验步骤： F（x）=1.1*（1—x+2*x）exp（—x/2） 训练样本按以下方式产生：样本数P=100，其中输入样本X1服从区间[-4,4]内的均匀分布，样本输出为F（xi）+ei,ei为添加的噪声，服从均值为0，标准差为0.1的正态分布。 试用聚类方法求数据中心和扩展常数，输出权值和阈值用伪逆法求解。隐节点数M=10，隐节点重叠系数λ=1，初始聚类中心取前10个训练样本。 试用梯度算法训练RBF网络，设η=0.001，M=10，初始权值为[-0.1,0.1]内的随机数，初始数据中心为[-4.0,4.0]内的随机数，初始扩展常数取[0.1,0.3]内的随机数，目标误差为0.9，最大训练次数为5000。 编写代码如下： function main() SamNum=100; TestSamNum=101; InDim=1; ClusterNum=10; Overdap=1.0; rand(state,sum(100*clock)) NoiseVar=0.1; Noise=NoiseVar*rand(1,SamNum); Samln=8*rand(1,SamNum)-4; SamOutNoNoise=1.1*(1-SamIn+2*SamIn.^2).*exp(-SamIn.^2/2); SamOut=SamOutNoNoise+Noise; TestSamIn=-4:0.08:4; TestSamOut=1.1*(1-TestSamIn+2*TestSamIn.^2).*exp(-TestSamIn.^2/2); figure hold on grid plot(SamIn,SamOut,k+) plot(TestSamIn,TestSamOut,k-) xlabel(Input x); ylabel(Output y); Centers=SamIn(:,1:ClusterNum); NumberInClustem=zeros(ClusterNum,1); IndexInClusters=zeros(ClusterNum,SamNum); while 1 NumberInClustem=zeros(ClusterNum,1); IndexInClusters=zeros(ClusterNum,SamNum); for i=1:SantNum AllDistance=dist(Center,SamIn(:,i); [MinDist,Pos]=min(AllDistance); NumberInClusters(pos)=NumberInClusters(pos)+1; IndexInClusters(Pos,NumberInClusters(Pos))=i; end OldCenters=Centers; for i=1:ClusterNum Index=IndexInClusters(i,1:NumberInClusters((i)); Centers(:,i)=mean(SamIn(:,Index)); end EqualNum=Sum(sun(Centers==OldCenters)); if EqualNum==InDim*ClusterNum, break, end end AllDistances=dist(Centers,Centers); Maximum=max(max(AllDistances)); for i=1:ClusterNum AllDistances(i,i)=Maximum+1; end Spreads=Overlap*min(AllDistances); Distance=dist(Centers,SamIn); SpreadsMat=repmat(Spreads,1,SamNunl); HiddenUnitOut=radbas(Distance./SpreadsMat) HiddenUnitOutEx=[HiddenUnitOutones(SamNum,1)]; W2Ex=SamOut*pinv(HiddenUnitOutEx); W2=W2Ex(:,1:ClusterNum); B2=W2Ex(:,ClusterN