智能.docx
《智能.docx》由会员分享,可在线阅读,更多相关《智能.docx(9页珍藏版)》请在冰点文库上搜索。
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,2010.16~24.
[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):
95~96.
[3]杨大力.多层前馈网络中BP算法的误调分析及其改进算法[J].电子学报,1995,21
(2):
155~158.
[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[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.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X∶
X0=[111;101;101;101;111];X1=[010;010;010;010;010];
X2=[111;001;010;100;111];X3=[111;001;010;001;111];
X4=[101;101;111;001;001];X5=[111;100;111;001;111];
X6=[111;100;111;101;111];X7=[111;001;001;001;001];
X8=[111;101;111;101;111];X9=[111;101;111;001;111];
X=[X0(:
)X1(:
)X2(:
)X3(:
)X4(:
)X5(:
)X6(:
)X7(:
)X8(:
)X9(:
)];
【程序】定义输出矩阵T∶
T0=[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=[T0T1T2T3T4T5T6T7T8T9];
【程序】建立网络:
[R,N1]=size(X);[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_freqmax_epocherr_goalNaNNaNNaNmc];
[W1,b1,W2,b2,te,tr]=trainbpx(W1,b1,'logsig',W2,b2,'logsig',X,T,tp);
[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=[TTTT];
tp=[disp_freqmax_epocherr_goal]
fori=1:
10
X1=[XX(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)
end
[y1,y2]=simuff(X1,W1,b1,'logsig',W2,b2,'logsig');
【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_freqmax_epocherr_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:
0.00000.00010.00010.00020.00030.00020.00050.00010.99950.9990
0.00010.00020.00010.00011.00000.99920.99980.99890.00050.0004
0.00030.00090.99910.98990.00050.00090.99990.98850.00060.0010
0.00080.98900.00000.98800.00091.00000.00080.99560.00080.9969
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