智能.docx

上传人:b****8 文档编号:13005936 上传时间:2023-06-10 格式:DOCX 页数:9 大小:218KB
下载 相关 举报
智能.docx_第1页
第1页 / 共9页
智能.docx_第2页
第2页 / 共9页
智能.docx_第3页
第3页 / 共9页
智能.docx_第4页
第4页 / 共9页
智能.docx_第5页
第5页 / 共9页
智能.docx_第6页
第6页 / 共9页
智能.docx_第7页
第7页 / 共9页
智能.docx_第8页
第8页 / 共9页
智能.docx_第9页
第9页 / 共9页
亲,该文档总共9页,全部预览完了,如果喜欢就下载吧!
下载资源
资源描述

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.docx

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

展开阅读全文
相关资源
猜你喜欢
相关搜索
资源标签

当前位置:首页 > 医药卫生 > 基础医学

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