- 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
- 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
WORD格式 编辑整理
PAGE
专业知识分享
WORD文档 下载可编辑
专业技术资料精心整理
《智能控制》课程设计报告
题 目:采用BP网络进行模式识别
院 系:
专 业:
姓 名:
学 号:
指导老师:
日 期: 年 月 日
目录
课程设计的目的和要求………………………………3
问题描述………………………………………………3
源程序…………………………………………………3
运行结果………………………………………………6
总结……………………………………………………7
课程设计的目的和要求
目的:1、通过本次课程设计进一步了解BP网络模式识别的基本原理,掌握BP网络的学习算法
2、熟悉matlab语言在智能控制中的运用,并提高学生有关智能控制系统的程序设计能力
要求:充分理解设计内容,并独立完成实验和课程设计报告
问题描述
采用BP网络进行模式识别。训练样本为3对两输入单输出样本,见表7-3。是采用BP网络对训练样本进行训练,并针对一组实际样本进行测试。用于测试的3组样本输入分别为1,0.1;0.5,0.5和0.1,0.1。
输入
输出
1
0
1
0
0
0
0
1
-1
表7-3 训练样本
说明:该BP网络可看做2-6-1结构,设权值wij,wjl的初始值取【-1,+1】之间的随机值,学习参数η=0.5,α=0.05.取网络训练的最终指标E=10^(-20),在仿真程序中用w1,w2代表wij,wjl,用Iout代表
x'j。
源程序
%网络训练程序
clear all;
close all;
xite=0.50;
alfa=0.05;
w2=rands(6,1);
w2_1=w2;w2_2=w2;
w1=rands(2,6);
w1_1=w1;w1_2=w1;
dw1=0*w1;
I=[0,0,0,0,0,0];
Iout=[0,0,0,0,0,0];
FI=[0,0,0,0,0,0];
k=0;
E=1.0;
NS=3;
while E=1e-020
k=k+1;
times(k)=k;
for s=1:1:NS
xs=[1,0;
0,0;
0,1];
ys=[1,0,-1];
x=xs(s,:);
for j=1:1:6
I(j)=x*w1(:,j);
Iout(j)=1/(1+exp(-I(j)));
end
y1=w2*Iout;
el=0;
y=ys(s,:);
el=el+0.5*(y(1)-y1(1))^2;
es(s)=el;
E=0;
if s==NS
for s=1:1:NS
E=E+es(s);
end
end
ey=y-y1;
w2=w2_1+xite*Iout*ey+alfa*(w2_1-w2_2);
for j=1:1:6
S=1/(1+exp(-I(j)));
FI(j)=S*(1-S);
end
for i=1:1:2
for j=1:1:6
dw1(i,j)=xite*FI(j)*x(i)*ey(1)*w2(j,1)
end
end
w1=w1_1+dw1+alfa*(w1_1-w1_2);
w1_2=w1_1;w1_1=w1;
w2_2=w2_1;w2_1=w2;
end
Ek(k)=E;
end
figure(1);
plot(times,Ek,r);
xlabel(k);ylabel(E);
save wfile w1 w2;
%网络训练程序
clear all;
load wfile w1 w2;
x=[1,0.1;
0.5,0.5;
0.1,1];
for i=1:1:3
for j=1:1:6
I(i,j)=x(i,:)*w1(:,j);
Iout(i,j)=1/(1+exp(-I(i,j)));
end
end
y=w2*Iout;
y=y
运行结果
样本训练的收敛过程
W1的值
W2的值
输入
输出
1
0.1
0.9159
0.5
0.5
0.0087
0.1
1
-0.9190
测试样本及结果
总结
本次课程设计对我们来说还是存在一定的难度的,毕竟在这之前一直就没有做过课程设计,对BP网络识别理论感到生疏,另外对matlab软件也并不熟悉,属于现学现用的那种,但这却激发着我们对知识的渴望,不断地上网查资料,一遍又一遍的翻着书本,不断地探索着BP网络
文档评论(0)