BP网络分析及其改进思路.ppt

　　(2) 辨识结果。辨识结果如图4-2所示，图中ya表示被辨识系统的输出； ym表示神经网络的输出，即由改进BP算法辨识的系统模型的输出。在程序中ya和ym已用标幺化系数还原到原系统值。“error”表示辨识过程中的训练误差，在k=3以前最大误差为2‰，之后误差在1‰以内。“random noise”表示系统的随机噪声。 　 图4-2　MBP算法对具有随机噪声的二阶系统辨识结果 　　各层权值如下：w11ij = w21j = 0.2352 0.4855 0.2456 -0.0589 -0.1009 0.1585 0.0690 0.1011 0.2093 0.1989 0.0494 0.0478 0.0607 0.2364 0.1214 -0.1522 0.1005 0.1261 0.0211 -0.1189 -0.0157 -0.1511 0.0994 0.0478 0.0993 0.0989 0.0994 0.0478 -0.0007 0.0989 -0.1506 0.0478 0.0993 0.2489 0.0994 0.0478 w121ij = 0.0165 0.0182 0.0143 0.0104 0.0023 0.0033 0.0023 0.0023 0.0023 0.0248 0.0298 0.0213 0.0129 -0.0026 -0.0008 -0.0026 -0.0026 -0.0027 0.1466 0.1672 0.1269 0.0866 0.0069 0.0168 0.0069 0.0070 0.0069 0.3043 0.3434 0.2638 0.1842 0.0238 0.0439 0.0238 0.0237 0.0238 0.1535 0.1728 0.1331 0.0934 0.0131 0.0231 0.0131 0.0130 0.0131 0.1466 0.1672 0.1269 0.0866 0.0069 0.0168 0.0069 0.0070 0.0069 0.1466 0.1672 0.1269 0.0866 0.0069 0.0168 0.0069 0.0070 0.0069 0.1466 0.1672 0.1269 0.0866 0.0069 0.0168 0.0069 0.0070 0.0069 0.1466 0.1672 0.1269 0.0866 0.0069 0.0168 0.0069 0.0070 0.0069 4.5.2　多维非线性辨识与MATLAB程序剖析　　【例4-2】 现以二维不同频率的三角函数yp=cos(2πk1m+2πk2n)×sin(2πk2n)为样本，即yp为教师信号(参考模型的输出)，其中0m36, 0n36； 利用图3-16正向建模(并联辨识)结构图，神经网络选用3-6-1型，即输入层i、隐层j、输出层k的节点个数分别为3、6、1个； 采用MATLAB的m软件编程来说明用神经网络对多维非线性函数的辨识方法。 　　解　由于样本幅值是正负变化的，因此，激发函数采用对称的Sigmoid函数(双曲函数)，即 　　采用MBP算法, 即由协调器来协调各层权值修正； 另外，在修正权值时考虑积累误差。隐层和输出层的修正权值式为 (4-48) (4-49) (4-50) 式中w为积累误差。 　　如果不采用这种方法，也可修正阈值； 若不修正阈值，重新调整系数。 　　(1) 编程如下(附带光盘中程序名为FLch4eg2)：　　%初始化:w10ij表示隐层权值阵wij(k-2)；w11ij表示wij(k-1)；w20j表示wjk(k-2)； 　　% w21j表示层权值阵 wjk(k-1)；q和p为阈值　　w10ij=[.001 .001 .002; .001 .001