基于MATLAB_的神經(jīng)網(wǎng)絡(luò)的仿真

1、智能控制基于MATLAB 的神經(jīng)網(wǎng)絡(luò)的仿真學(xué) 院： 機(jī)電工程學(xué)院 姓 名： 白思明 學(xué) 號(hào)： 11 年 級(jí)： 自研-11 學(xué) 科： 檢測(cè)技術(shù)與自動(dòng)化裝置 日 期： 2012-4-3 一 引言人工神經(jīng)網(wǎng)絡(luò)以其具有信息的分布存儲(chǔ)、并行處理以及自學(xué)習(xí)能力等優(yōu)點(diǎn), 已經(jīng)在模式識(shí)別、信號(hào)處理、智能控制及系統(tǒng)建模等領(lǐng)域得到越來(lái)越廣泛的應(yīng)用。MATLAB中的神經(jīng)網(wǎng)絡(luò)工具箱是以人工神經(jīng)網(wǎng)絡(luò)理論為基礎(chǔ), 利用MATLAB 語(yǔ)言構(gòu)造出許多典型神經(jīng)網(wǎng)絡(luò)的傳遞函數(shù)、網(wǎng)絡(luò)權(quán)值修正規(guī)則和網(wǎng)絡(luò)訓(xùn)練方法，網(wǎng)絡(luò)的設(shè)計(jì)者可根據(jù)自己的需要調(diào)用工具箱中有關(guān)神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)與訓(xùn)練的程序, 免去了繁瑣的編程過(guò)程。二神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)最新版

2、的MATLAB 神經(jīng)網(wǎng)絡(luò)工具箱為Version4.0.3, 它幾乎涵蓋了所有的神經(jīng)網(wǎng)絡(luò)的基本常用類型，對(duì)各種網(wǎng)絡(luò)模型又提供了各種學(xué)習(xí)算法，我們可以根據(jù)自己的需要調(diào)用工具箱中的有關(guān)設(shè)計(jì)與訓(xùn)練函數(shù)，很方便地進(jìn)行神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)和仿真。目前神經(jīng)網(wǎng)絡(luò)工具箱提供的神經(jīng)網(wǎng)絡(luò)模型主要用于：1. 數(shù)逼近和模型擬合；2. 信息處理和預(yù)測(cè)；3. 神經(jīng)網(wǎng)絡(luò)控制；4. 故障診斷。神經(jīng)網(wǎng)絡(luò)工具箱提供了豐富的工具函數(shù)，其中有針對(duì)某一種網(wǎng)絡(luò)的，也有通用的，下面列表中給出了一些比較重要的工具箱函數(shù)。三仿真實(shí)例BP 網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，由輸入層、隱層和輸出層組成。BP 網(wǎng)絡(luò)模型結(jié)構(gòu)見圖1。網(wǎng)絡(luò)同層節(jié)點(diǎn)沒有任何連接，隱層節(jié)

3、點(diǎn)可以由一個(gè)或多個(gè)。網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程由正向和反向傳播兩部分組成。在正向傳播中，輸入信號(hào)從輸入層節(jié)點(diǎn)經(jīng)隱層節(jié)點(diǎn)逐層傳向輸出層節(jié)點(diǎn)。每一層神經(jīng)元的狀態(tài)只影響到下一層神經(jīng)元網(wǎng)絡(luò)，如輸出層不能得到期望的輸出，那么轉(zhuǎn)入誤差反向傳播過(guò)程，將誤差信號(hào)沿原來(lái)的連接通路返回，通過(guò)修改各層神經(jīng)元的權(quán)值，逐次地向輸入層傳播去進(jìn)行計(jì)算，在經(jīng)正向傳播過(guò)程，這兩個(gè)過(guò)程反復(fù)運(yùn)用，使得誤差信號(hào)最小或達(dá)到人們所期望的要求時(shí)，學(xué)習(xí)過(guò)程結(jié)束。利用神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行設(shè)計(jì)和仿真的具體步驟：1. 確定信息表達(dá)方式：將實(shí)際問題抽象成神經(jīng)網(wǎng)絡(luò)求解所能接受的數(shù)據(jù)形式；2. 確定網(wǎng)絡(luò)模型：選擇網(wǎng)絡(luò)的類型、結(jié)構(gòu)等；3. 選擇網(wǎng)絡(luò)參數(shù)：如神經(jīng)元數(shù)，隱

4、含層數(shù)等；4. 確定訓(xùn)練模式：選擇訓(xùn)練算法，確定訓(xùn)練步數(shù)，指定訓(xùn)練目標(biāo)誤差等；5. 網(wǎng)絡(luò)測(cè)試：選擇合適的訓(xùn)練樣本進(jìn)行網(wǎng)絡(luò)測(cè)試。下面給出一個(gè)利用BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行函數(shù)逼近的例子。第一步問題的提出設(shè)計(jì)一個(gè)簡(jiǎn)單的BP 網(wǎng)絡(luò)，實(shí)現(xiàn)對(duì)非線性函數(shù)的逼近，通過(guò)改變BP 網(wǎng)絡(luò)的隱層神經(jīng)元的數(shù)目，采用不同的訓(xùn)練方法來(lái)觀察訓(xùn)練時(shí)間和訓(xùn)練誤差的變化情況。假設(shè)將要將要逼近的函數(shù)為正弦函數(shù)，其頻率參數(shù)N=1，繪制此函數(shù)見圖2 所示。N=1;p= - 1:0.05:1 ;t=sin (N*pi*p) ;%假設(shè)N=1，繪制此函數(shù)曲線plot (p,t,r*)title (要逼近的非線性函數(shù))xlabel (時(shí)間) ;第二步

5、網(wǎng)絡(luò)建立應(yīng)用newff () 建立兩層的BP 網(wǎng)絡(luò)，隱層神經(jīng)元數(shù)目可以改變,此時(shí)S=8 ，輸出層一個(gè)神經(jīng)元，隱層和輸出層的傳遞函數(shù)分別為tansig 和purelin ，學(xué)習(xí)算法采用Levenberg - Marquadt ( trainlm) 。用sim() 觀察初始化網(wǎng)絡(luò)輸出如圖3 所示。S=8;net=newff (minmax (p) , S,1 , tansig,purelin ,trainlm) ;y1=sim (net,p) ;figure;plot (p,t, r* ,p,y1,b- )title (未訓(xùn)練網(wǎng)絡(luò)的輸出結(jié)果)xlabel (時(shí)間) ;ylabel (仿真輸出- 原

6、函數(shù)*) ;legend (要逼近的非線性函數(shù),未訓(xùn)練網(wǎng)絡(luò)的輸出結(jié)果) 圖2要逼近的非線性函數(shù)圖3未訓(xùn)練時(shí)網(wǎng)絡(luò)的輸出結(jié)果第三步網(wǎng)絡(luò)訓(xùn)練將訓(xùn)練時(shí)間設(shè)為10，精度為0.001，用train ()進(jìn)行訓(xùn)練，誤差曲線見圖4 所示。net.trainParam.epochs=10;net.trainParam.goal=0.001;net1 = train (net,p,t)圖4訓(xùn)練過(guò)程圖第四步網(wǎng)絡(luò)測(cè)試用sim()觀察訓(xùn)練后的網(wǎng)絡(luò)輸出如圖5 所示。y2 = sim (net1,p)figure;plot (p,t,r* ,p,y1,b- ,p,y2,ko)title (訓(xùn)練后網(wǎng)絡(luò)的輸出結(jié)果)xlabel

7、 (時(shí)間) ;ylabel (仿真輸出)legend (要逼近的非線性函數(shù),未訓(xùn)練網(wǎng)絡(luò)的輸出結(jié)果,訓(xùn)練后網(wǎng)絡(luò)的輸出結(jié)果)圖5訓(xùn)練后網(wǎng)路的輸出結(jié)果從圖5 可以看出經(jīng)過(guò)很短時(shí)間的訓(xùn)練后BP 網(wǎng)絡(luò)很好的逼近了非線性函數(shù)。討論：1. 改變非線性函數(shù)的頻率，即改變N 的值時(shí)發(fā)現(xiàn)，網(wǎng)絡(luò)的訓(xùn)練時(shí)間會(huì)長(zhǎng)些，逼近效果要差些。2. 改變隱層的神經(jīng)元數(shù)目對(duì)網(wǎng)絡(luò)的逼近效果也有影響，一般來(lái)說(shuō)，隱層的神經(jīng)元數(shù)目越多，則BP 網(wǎng)絡(luò)逼近非線性函數(shù)能力越強(qiáng)，但也并非隱層的神經(jīng)元數(shù)目越多，網(wǎng)絡(luò)性能就越好，而同時(shí)訓(xùn)練時(shí)間有所增長(zhǎng)。3. 采用不同的訓(xùn)練函數(shù)，對(duì)本例采用三種訓(xùn)練方法，即Levenberg-Marquadt (train

8、lm)、剃度下降動(dòng)量法（traingdx）、普通剃度下降法（traingd ）,通過(guò)比較發(fā)現(xiàn)Levenberg - Marquadt ( trainlm) 訓(xùn)練速度最快，誤差也較小，剃度下降動(dòng)量法（traingdx）次之，普通剃度下降法（traingd ）最差。四 結(jié)論MATLAB 神經(jīng)網(wǎng)絡(luò)工具箱功能強(qiáng)大, 它提供了許多有關(guān)神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)、訓(xùn)練和仿真的函數(shù)，我們只要根據(jù)需要調(diào)用相關(guān)函數(shù), 就能方便進(jìn)行神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)與仿真, 從而免除了編寫復(fù)雜而龐大的算法程序的困擾，可以很容易的調(diào)整各項(xiàng)參數(shù)，實(shí)現(xiàn)對(duì)神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)和仿真，為我們的工程應(yīng)用提供很好的參考價(jià)值。參考文獻(xiàn)：1 飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)理論與MATLAB7實(shí)現(xiàn)M .北京：電