神经网络实验报告文档格式.docx
《神经网络实验报告文档格式.docx》由会员分享，可在线阅读，更多相关《神经网络实验报告文档格式.docx（7页珍藏版）》请在冰点文库上搜索。
成绩
指导老师
一级倒立摆实验
实验目的:
（1）熟悉Matlab/Simulink的使用.
（2）掌握BP神经网络的基本原理和基本的设计步骤.
（3）了解BP神经网络在实际中的应用.
（4）针对简单的实际系统,能够建立BP神经网络控制模型.
实验原理:
1.前馈型人工神经网络
前馈型人工神经网络是整个神经网络体系中最常见的一种，其结构模型如图2所示。
网络结构包含输入层、隐层（可能是多层）和输出层，它的连接方式是同层之间不相连接，相邻层之间单元为全连接型。
这种网络没有反馈存在，实际运行是单向的，学习方式是一种监督式学习。
前馈型神经网络具有很强的非线性映射能力，寻找其映射是靠学习实践的，只要学习数据足够完备，就能够描述任意未知的复杂系统。
因此前馈神经网络为非线性系统的建模和控制提供了有力的工具。
图1前馈型神经网络结构
2.BP算法原理
BP（BackPropagation）神经网络是一种利用误差反向传播训练算法的前馈型网络，BP学习算法实质是求取网络总误差函数的最小值问题[2]。
这种算法采用非线性规划中的最速下降方法，按误差函数的负梯度方向修改权系数，它是梯度下降法在多层前馈网络中的应用。
具体学习算法包括两大过程，其一是输入信号的正向传播过程，其二是输出误差信号的反向传播过程。
1.正向传播
输入的样本从输入层经过隐层单元一层一层进行处理，通过所有的隐层之后，则传向输出层；
在逐层处理的过程中，每一层神经元的状态只对下一层神经元的状态产生影响。
在输出层把现行输出和期望输出进行比较，如果现行输出不等于期望输出，则进入反向传播过程。
2.反向传播
反向传播时，把误差信号按原来正向传播的通路反向传回，并对每个隐层的各个神经元的权系数进行修改，以望误差信号趋向最小。
网络各层的权值改变量，则由传播到该层的误差大小来决定。
3.BP算法的特点
BP神经网络具有以下三方面的主要优点[3]：
第一，只要有足够多的隐含层和隐层节点，BP神经网络可逼近任意的非线性映射关系；
第二，BP学习算法是一种全局逼近方法，因而它具有较好的泛化能力。
第三，BP神经网络具有一定的容错能力。
因为BP神经网络输入输出间的关联信息分布存储于连接权中，由于连接权的个数总多，个别神经元的损坏对输入输出关系只有较小影响。
但在实际应用中也存在一些问题，如：
收敛速度慢，极有可能陷入最优陷阱（局部极值），而且典型的BP网络是一个冗余结构，它的结构及隐节点数的确定往往有人为的主观性，而且一旦人工决定之后，不能在学习过程中自主变更。
其结果是隐节点数少了，学习过程不收敛；
隐节点数多了，则网络的学习及推理的效率较差。
实验步骤:
（1）建立控制模型
神经网络训练数据来源于MATLAB6.5自带的一阶T-S型模糊控制slcp.mdl。
如图2所示。
图2一级倒立摆的模糊控制仿真
在上面的控制系统中提取摆角、角速度、位移、速度初始条件为分别为0.5rad,1rad/s,0和0,在此条件下响应的输入输出对，
（2）提取训练数据
如图3所示，利用【SignalToWorkspace】模块获取一阶T-S型模糊控制仿真过程的控制器输入输出数据对，并保存到工作区中，可以直接用到神经网络的训练中。
图3数据提取
（3）BP神经网络控制器的训练
首先将提取出的训练数据变为标准的训练数据形式，标准的训练数据分为输入和目标输出两部分。
输入部分是一个形式为输入个数
训练数据个数的矩阵，这里输入个数为4。
目标输出为一个输出个数
训练数据个数的矩阵，这里输出个数为1。
而经signaltoworkspace模块提取出的数据为一个训练数据个数
输入（或输出）个数的矩阵，因此分别将p、t转置后就得到标准训练数据p’,t’。
接着选择要训练的步数，训练步数的选择可由下面语句定义：
net.trainParam.epochs=250
这一语句定义了一个500步的训练步数。
做完上面的工作后就可以对网络进行训练了，按照上一节中的选择和定义初始化网络后，在没有输入延迟和输出延迟的条件下，并设训练后的网络还为NET，便可用下面语句对网络训练：
[net,tr]=train（net,P,T,[],[]）
使用下面语句初始化BP神经网络控制器并进行训练：
P=p'
;
T=t'
net=newff（[-0.350.35;
-11;
-33;
-33],[121],{'
tansig'
'
purelin'
},'
trainlm'
learngdm'
）;
net.trainParam.show=25;
net.trainParam.epochs=250;
[net,tr]=train（net,P,T,[],[]）;
系统提示如下：
图4训练误差曲线
可以看出，经过250步训练控制器输出与期望输出间的误差已经很小了。
神经网络的结构
用语句gensim（net,-1）可以在simulink里生成控制器并使用其进行控制，其中-1的意思是系统是实时的，生成的神经网络控制器结构如图5所示。
图5神经网络控制器外部结构
（4）神经网络控制的实现
使用训练后的BP神经网络控制器代替原模糊控制器控制器便可进行仿真试验。
控制结构如图6所示。
图6直线一级倒立摆神经网络控制仿真
单击模型窗口上的’run’,运行以上的仿真实验,可以看出训练后的BP神经网络能成功的实现倒立摆的控制.
倒立摆实际的实验效果如下图所示：
实验总结：
为减少导轨的摩擦影响在进行倒立摆的实验的操作前，应在导轨上涂抹适量的油，然后运行程序并打开电源，要慢慢把杆转上去，转到正立起来后快速收手。
升级会员 