基于BP神经网络的辨识 系统辨识理论及Matlab仿真课件.pptVIP

6.1 传统的建模方法 神经网络应用于系统建模的一个优点是通过直接学习系统的输入输出数据使所要求的误差准则函数达到最小，从而辨识出隐含在系统输入输出的关系。利用神经网络建模的基本结构图如图5所示. 6、BP网络离线建模 图5 基本的离线神经网络建模结构 其中模块Plant为实际系统，NN为用神经网络建立的实际系统等效模型网络输入为u和y。u为控制输入，y为对象的输出， 为神经网络的输出。 仿真实例 使用BP网络对下列对象进行建模： 在BP网络中，网络输入信号为2个，即 ， 和 。 网络初始权值及高斯函数参数初始权值可取随机值，也可通过仿真测试后获得。 输入信号为正弦信号： 网络隐层神经元个数取6，网络结构为2-6-1，网络的初始权值取随机值。网络的学习参数取 训练样本取200组。 BP网络离线训练程序见chap6_3a.m。BP网络在线估计程序见chap6_3b.m。 1、BP神经网络 1986年，Rumelhart等提出了误差反向传播神经网络，简称BP网络（Back Propagation），该网络是一种单向传播的多层前向网络。 误差反向传播的BP算法简称BP算法，其基本思想是梯度下降法。它采用梯度搜索技术，以期使网络