1、智能智能控制理论及应用课堂作业专业:电气工程 姓名:胥翼鹏学号:s2*一、BP、RBF、Hopfield查资料,应用(1)BP网络的应用:1. 函数逼近:用输入向量和相应的输出向量训练一个网络以逼近一个函数;2. 模式识别:用一个待定的输出向量将它与输入向量联系起来;3. 分类:把输入向量所定义的合适方式进行分类;4数据压缩:减少输出向量维数以便传输或存储。参考文献:1李国勇.智能预测控制及其MATLAB实现M.北京:电子工业出版社,2010.1624.2黄琳BP网络的泛化能力改进方法及应用J石家庄铁道学院学报,2005,18(3):95963杨大力多层前馈网络中BP算法的误调分析及其改进算法
2、J电子学报,1995,21(2):155158.4谢慧娟.基于BP神经网络的自适应逆控制的研究与应用D.中南大学,2012.5吴长伟.基于BP神经网络的负载均衡技术的研究D.华南理工大学,2012.6涂川川.基于BP神经网络PID控制的温室环境控制系统的仿真研究D.吉林农业大学,2012.(2)RBF网络的应用:1. 非线性函数逼近;2. 时间序列的预测;3. 数据分类;4. 模式识别;5. 信息处理;6. 图像处理;7. 系统建模;8. 控制和故障诊断。参考文献:1符勇.非线性系统建模和预测控制在倒立摆稳摆控制中的应用研究D.中南大学,2012.2周腾.基于RBF神经网络的车牌识别技术的研究
3、D.哈尔滨理工大学,2012.3刘月清.基于RBF网络的传感器校正和补偿系统研究与实现D.南京航空航天大学,2006.4覃爱娜.基于非线性理论的汉语语音编码技术研究D.中南大学,2012.5杨阳.基于RBF神经网络的有源电力滤波器预测控制策略研究D.郑州大学,2013.(3)Hopfield网络的应用:1.模式分类与识别;2.图像、影音、信号处理;3.知识处理、容错计算、数据查询;4.离散Hopfield网络(DHNN)用于联想记忆,连续Hopfield网络(CHNN)用于优化计算。参考文献:1刘艳红.基于离散型Hopfield神经网络的车牌汉字识别方法研究D.东北师范大学,2013.2邹宇.
4、基于Hopfield神经网络和高精度算法的谐波电流检测方法研究D.天津大学,2007.3夏松.Hopfield神经网络构造的联想记忆存储器实现与研究D.安徽大学,2010.4刘晓贺.离散时间切换Hopfield神经网络系统的鲁棒稳定性分析D.沈阳师范大学,2013.5郭鹏.Hopfield神经网络及其在电厂中的应用研究D.华北电力大学(河北),2004.二、基于BP网络的数字识别M文件神经对于BP神经网络的数字识别,首先应获取样本,经过对样本的点阵图像处理,选取图像特征,将特征输入BP神经网络,经过训练获得输出,如果没有得到预期的期望值,算出误差,调整神经网络各阶层的权值和阈值,直到得到期望值
5、为止。识别过程如图一所示。图一 识别过程图【程序】定义输入矩阵XX0=1 1 1;1 0 1;1 0 1;1 0 1;1 1 1;X1=0 1 0;0 1 0;0 1 0;0 1 0; 0 1 0;X2=1 1 1;0 0 1;0 1 0;1 0 0;1 1 1; X3=1 1 1;0 0 1;0 1 0;0 0 1;1 1 1;X4=1 0 1;1 0 1;1 1 1;0 0 1;0 0 1; X5=1 1 1;1 0 0;1 1 1;0 0 1;1 1 1;X6=1 1 1;1 0 0;1 1 1;1 0 1;1 1 1; X7=1 1 1;0 0 1;0 0 1;0 0 1;0 0 1;
6、X8=1 1 1;1 0 1;1 1 1;1 0 1;1 1 1; X9=1 1 1;1 0 1;1 1 1;0 0 1;1 1 1;X=X0(:) X1(:) X2(:) X3(:) X4(:) X5(:) X6(:) X7(:)X8(:)X9(:);【程序】定义输出矩阵TT0=0;0;0;0;T1=0;0;0;1;T2=0;0;1;0;T3=0;0;1;1;T4=0;1;0;0;T5=0;1;0;1;T6=0;1;1;0;T7=0;1;1;1;T8=1;0;0;0;T9=1;0;0;1;T=T0 T1 T2 T3 T4 T5 T6 T7 T8 T9;【程序】建立网络:R,N1=size(X
7、);S2,N1=size(T);S1=6;W1,b1,W2,b2=initff(X,S1,logsig,T,logsig);y1,y2=simuff(X,W1,b1,logsig,W2,b2,logsig);【程序】:网络的训练disp_freq=20; %显示间隔max_epoch=5000; %训练次数err_goal=0.0001; %训练目标误差mc=0.95; %动量参数tp=disp_freq max_epoch err_goal NaN NaN NaN mc;W1,b1,W2,b2,te,tr=trainbpx(W1,b1,logsig,W2,b2,logsig,X,T,tp);
8、y1,y2=simuff(X,W1,b1,logsig,W2,b2,logsig);【程序】含有噪声的输入数据训练网络max_epoch=500; %训练次数err_goal=0.6; %训练目标误差T1=T T T T;tp=disp_freq max_epoch err_goalfor i=1:10X1=X X (X+randn(R,N1)*0.1) (X+randn(R,N1)*0.2);W1,b1,W2,b2,te,tr=trainbpx(W1,b1,logsig,W2,b2,logsig,X1,T1,tp)endy1,y2=simuff(X1,W1,b1,logsig,W2,b2,l
9、ogsig);【程序】用理想信号进行训练disp_freq=20; %显示间隔max_epoch=5000; %训练次数err_goal=0.001; %训练目标误差tp=disp_freq max_epoch err_goal;W1,b1,W2,b2,te,tr=trainbpx(W1,b1,logsig,W2,b2,logsig,X,T,tp);当输入为0,1,2,3,4,5,6,7,8,9时,其相应的输出(二进制)为:0.0000 0.0001 0.0001 0.0002 0.0003 0.0002 0.0005 0.0001 0.9995 0.99900.0001 0.0002 0.0
10、001 0.0001 1.0000 0.9992 0.9998 0.9989 0.0005 0.00040.0003 0.0009 0.9991 0.9899 0.0005 0.0009 0.9999 0.9885 0.0006 0.00100.0008 0.9890 0.0000 0.9880 0.0009 1.0000 0.0008 0.9956 0.0008 0.9969三、RBF梯度下降法推导用梯度下降法推导RBF网络各参数的调节公式:取性能指标函数: RBF网络隐层第i个节点的输出为:输出层第k个节点的输出为:由梯度下降法有:又知 式中为第k个节点的期望输出量,它是一个与、以及均无关的量。因此, 所以:同理有:所以:同理有:所以: 总结:RBF网络调节各参数调节公式为学习速率四、图形用户界面训练BP,训练一个异或函数
copyright@ 2008-2023 冰点文库 网站版权所有
经营许可证编号:鄂ICP备19020893号-2