神经网络MBP算法辨识的MATLAB仿真.pptxVIP

神经网络MBP算法辨识; 对具有随机噪声的二阶系统的模型辨识，进行标幺化以后系统的参考模型差分方程为 式中， 为随机噪声。由于神经网络的输出最大为1，所以，被辨识的系统应先标幺化，这里标幺化系数为5。利用图7.5正向建模(并联辨识)结构，神经网络选用3-9-9-1型，即输入层i，隐层j包括2级，输出层k的节点个数分别为3、9、9、1个。 由于神经网络的最大输出为1，因此在辨识前应对原系统参考模型标么化处理，辨识结束后再乘以标么化系数才是被辨识系统的辨识结果。 ;编程如下： %w10ij表示第一隐层权值 ，w11ij表示 ；w120ij表示第二隐层权值% ， w121ij表示 ；w20j表示输出层权值 ，w21j表示% ；q表示隐层阈值；p表示输出层阈值；置标幺化系数f1=5等 w10ij=[.01 .01 .02; .1 .11 .02; .01 0 .1; .11 .01 .02;.1 .1 .02; .11 .1 .1;.1 .1 .1;0 .1 .1;.1 0 .1]; w11ij=[.1 .2 .11; .02 .13 .04; .09 .08 .08; .09 .1 .06; .1 .11 .02; .06 0 .1;.1 .1 .1;0 .1 0;.1 .1 .1]; w20j=[.01;.02;.1;.2;.1;.1;.1;.1;.1]; w21j=[0; 0.1; .1; .02;0;.1;.1;.1;.1]; q0j=[.9 .8 .7 .6 .1 .2 .1 .1 .1]; q120j=q0j; q11j=[.5 .2 .3 .4 .1 .2 .1 .1 .1]; q12j=q11j; w121ij=w20j*q0j; w120ij=w20j*q11j; f1=5; ;q2j=0; % threshold value p0=.2; k1=1; p1=.3; w=0; xj=[1 1 1]; % inputs error=0.0001; a1=[1 1 1 1]; n=1; e1=0; e0=0; e2=0; e3=0; e4=0; yo=0; ya=0; ;%+++++++++++++++++++++++++++++++++% calculating output of the hidden layer v1=randn(40,1); for m=1:40 s1=0.1*v1(m) yn=.3366*y2+.6634*u1+s*s1; y1=y2; y2=yn; yp=yn; u0=u1; u1=u2; ya(m)=yn; for k=1:100 % calculating output of the hidden layer(1) for i=1:9 x1=[w11ij(i,1)*xj(:,1)]+[w11ij(i,2)*xj(:,2)]+[w11ij(i,3)*xj(:,3)]; x=x1+q11j(:,i); o=1/[1+exp(-x)]; o11j(i)=o; end ; % calculating error value between aim and practice value e0=e1; e1=e2; e2=[(yp-y).^2]/2; e(k)=e2; xj1=e2; xj2=e1; xj3=e0; xj=[xj1 xj2 xj3]; % revising right value (1) for i=1:9 d1=o11j(:,i)*[1-o11j(:,i)]*d2j*w21j(i,:);%计算第1隐层误差反传信号 do=o11j(:,i)*d1; qw=q11j(:,i)-q0j(:,i); q2j=q11j(:,i)+.8*do+.4*qw; q3j(:,i)=q2j; for j=1:3 dw=w11ij(i,j)-w10ij(i,j); w12ij=w11ij(i,j)+.8*do*xj(j)+.6*dw; w13ij(i,j)=w12ij; end end ;辨识结果：