matlab神经网络应用实验.pptVIP

MATLAB神经网络应用实验 一、神经网络辩识动态过程的一般原理 用神经网络辩识动态过程,就是选择一个合适的神经网络模型来逼近实际系统. 用神经网络对系统的输入、输出数据进行学习,学习的目的是使所指定的误差函数值达到给定的要求,从而归纳出隐含在系统输入、输出数据中的关系. 这个关系隐含在网络内部,它究竟表现为何种形式,对外界是不可知的,并且人们关心的并不是网络以什么样的形式去逼近实际系统,而只要使网络和系统在相同的输入或激励的情况下,两者的输出能按某种范数充分逼近,此时则认为网络已充分反应实际系统的特性,完成了对系统的辩识. 二、　Matlab 的神经网络工具基本函数 Matlab 提供了多种神经网络模型的初始化、学习或训练以及仿真方面的函数. 下面主要介 绍可用于过程辩识的有关BP 网络方面的函数. 1) net = newff (PR ,[ S1 ,S2 , ?,SN1 ] ,{TF1 TF2 ?TFN1} ,BTF ,BLF ,PF) 该函数用来初始化一个前馈网络,函数输入参数含义如下: PR :一个R 行2 列的矩阵,第i 行是R 维输入向量的第i 个分量取值区间的端点值. Si :第i 层包含的结点个数. TFi :第i 层的传输函数,缺省值为函数tansig. BTF :反向传播网络的训练函数,缺省值为函数trainlm. BLF :反向传播权值P阀值的学习函数,缺省值为函数learngdm. PF :执行函数,缺省值为函数mse. newff () 函数返回一个多层前馈反向传播网络. 与该函数对应的老版本函数为 [w1 ,b1 ,w2 ,b2 ,w3 ,b3 ] = initff (p ,s1 ,f1 ,s2 ,f2 ,s3 ,f3) . 2) [ net ,tr ] = train(NET ,P ,T ,Pi ,Ai ,VV ,TV) 该函数用来训练一个由newff () 初始化得到的网 络,它按照设定的网络训练参数NET. trainFcn 和NET. trainParam指定的方式训练网络. 函数输入参数含义如下: NET:待训练网络. P :样本输入向量. T:样本输出向量,缺省值为0. Pi :初始化输入延时条件,缺省值为0. Ai :初始化输入延时条件,缺省值为0. 该函数返回一个已训练好的多层前馈反向传播网络net 和训练中的情况记录向量TR. NET. trainFcn 指定train ( ) 训练网络时具体调用哪个训练函数,对于BP 网络而言,可供调用的函数有:trainlm() ,trainbfg() ,trainrp () ,trainbr () ,trainlcgb() . 它们采用不同的训练算法训练网络. 不同的训练算法的执行速度及对内存的要求不同. 其实用户也可不通过train () 而直接调用它们. 3) [ Y,Pf ,Af ] = sim(net ,Px ,Pi ,Ai) 用来仿真网络net ,既求net 在输入向量Px 下的输出. 仿真BP 网络的函数为: [ a1 ,a2 ,a3 ] = simuff (p ,w1 ,b1 ,f1 ,w2 ,b2 ,f2 ,w3 ,b3 ,f3) . 三、　过程离线辩识的实验步骤 例：辩识以下非线性仿真对象 1) 初步确定网络的层数,各层结点数和各层传输函数等结构参数,然后以它们为参数调用newff () 或initff () 初始化一个网络net . 对于该仿真对象可预设网络结构为:5 ×20 ×10 ×1 2) 调用u = random(’unif’, - 5 ,5 ,1 ,100) 产生均匀分布白噪声序列( u (1) , u (2) , ?, u (100) ) . 作为辩识输入信号,然后根据上述仿真对象算出相应输出序列( y (4) , y (5) , ?, y (100) ) . 若对实际系统进行辩识, 则测出时刻4 ,5 , ?,100 时的输出值作为( y (4) , y (5) , ?, y (100) ) . 3）用仿真对象或实际系统的输入输出的延时序 列( y ( i - 1) 　y ( i - 2) 　y ( i - 3) 　u ( i - 1) 　u ( i -2) )′构成网络的样本输入向量,调用delaysig() 得到 延时矩阵,再用97 个样本输入向量构成网络的输入p 如下: y (3) 　y (4) 　?　y (99) y (2) 　y (3) 　?　y (98) y (1) 　y (2) 　?　y (97) u (3) 　u (4) 　?　u (99) u (2) 　u (5) 　?　u (98) 4) 取( y (4) 　y (5) ?y (100) 构成网络在输入p 下的输出t