神经网络MBP算法辨识的MATLAB仿真.pptxVIP

神经网络MBP算法辨识的MATLAB仿真第1页/共10页 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。第2页/共10页 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;第3页/共10页 q2j=0; % threshold valuep0=.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;yb=0;y0=0;y1=0;y2=0;y3=0;u=0;u1=0;u2=0.68;u3=.780;u4=u3-u2;k1=1;kn=28;e3=.055; z1=0;z12=0; q123j=0; t2j=0; o12j=0;r=0;r1=0; s=0.1;d2j=0;第4页/共10页 %+++++++++++++++++++++++++++++++++% 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 output of the hidden layer(2) for i=1:9 for j=1:9 z1=z1+w121ij(i,j)*o11j(:,j); end z=z1+q12j(:,i); o=1/[1+exp(-x)]; o12j(i)=o; end % calculating output of the output layer for i=1:9 yb=yb+w21j(i,:)*o12j(:,i); end yi=yb+p1; y=1/[1+exp(-yi)];第5页/共10页 % 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