課程設(shè)計(jì)報(bào)告

1、（1）設(shè)計(jì)內(nèi)容：選用多層前饋網(wǎng)絡(luò)和BP算法對(duì)下面系統(tǒng)進(jìn)行辨識(shí)仿真，控制對(duì)象如下： 其中（2）設(shè)計(jì)要求：選用多層前饋網(wǎng)絡(luò)和BP算法課題進(jìn)行辨識(shí)仿真，給出辨識(shí)結(jié)果并寫(xiě)出研究報(bào)告。（3）設(shè)計(jì)思想首先：BP網(wǎng)絡(luò)只要有足夠多的隱層和隱層節(jié)點(diǎn)，BP網(wǎng)絡(luò)可以逼近任何非線(xiàn)性映射關(guān)系，且具有較強(qiáng)的泛化能力，輸入和輸出之間的關(guān)聯(lián)信息分布的存儲(chǔ)在網(wǎng)絡(luò)的連接權(quán)中，個(gè)別網(wǎng)絡(luò)的損壞只對(duì)輸入輸出具有較小的影響，其具有較好的容錯(cuò)性。其次: 神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識(shí)不依賴(lài)于實(shí)際的系統(tǒng)模型，只根據(jù)系統(tǒng)的輸入輸出數(shù)據(jù)擬合出與實(shí)際系統(tǒng)相似的模型，并且通過(guò)在測(cè)試數(shù)據(jù)作用下實(shí)際輸出與期望輸出的誤差不斷的調(diào)整辨識(shí)模型的參數(shù)，從而使辨識(shí)系統(tǒng)更加接

2、近實(shí)際模型。神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)還有其收斂速度不依賴(lài)于待辨識(shí)系統(tǒng)的維數(shù)，只與神經(jīng)網(wǎng)絡(luò)本身及其所選用的算法有關(guān)系。（4）仿真流程(1)、測(cè)試數(shù)據(jù)(2)、這里用不同的的函數(shù)來(lái)激發(fā)隱層神經(jīng)源輸出。a：當(dāng)激發(fā)函數(shù)為：y=(1-exp(-x)/(1+exp(-x)時(shí)仿真結(jié)果為：function y=sigmoid2(x)y=(1-exp(-x)/(1+exp(-x)end“.”的曲線(xiàn)為訓(xùn)練數(shù)據(jù)，直線(xiàn)曲線(xiàn)為對(duì)象的輸出，+為系統(tǒng)辨識(shí)的結(jié)果。由系統(tǒng)仿真的結(jié)果可以說(shuō)明神經(jīng)網(wǎng)絡(luò)能很好的辨識(shí)實(shí)際系統(tǒng)。上圖為神經(jīng)網(wǎng)絡(luò)辨識(shí)系統(tǒng)的誤差曲線(xiàn)，由圖可知辨識(shí)系統(tǒng)誤差逐漸降低并趨于穩(wěn)定。b：當(dāng)激發(fā)函數(shù)為：y=1/(1+exp(-x)f

3、unction y=sigmoid2(x)y=1/(1+exp(-x)end 仿真結(jié)果如下：“.”的曲線(xiàn)為訓(xùn)練數(shù)據(jù)，直線(xiàn)曲線(xiàn)為對(duì)象的輸出，“+”為系統(tǒng)辨識(shí)的結(jié)果。由系統(tǒng)仿真的結(jié)果可以說(shuō)明神經(jīng)網(wǎng)絡(luò)能很好的辨識(shí)實(shí)際系統(tǒng)。綠色的曲線(xiàn)為訓(xùn)練數(shù)據(jù)，紅色曲線(xiàn)為對(duì)象的輸出，藍(lán)色為系統(tǒng)辨識(shí)的結(jié)果。由系統(tǒng)仿真的結(jié)果可以說(shuō)明神經(jīng)網(wǎng)絡(luò)能很好的辨識(shí)實(shí)際系統(tǒng)。數(shù)據(jù)分析：有以上的仿真結(jié)果可以得到采用不同的不同的函數(shù)激發(fā)隱層輸出，結(jié)果bp算法的計(jì)算結(jié)果是不同的，也就是說(shuō)隱層激發(fā)函數(shù)會(huì)影響函數(shù)的逼近，會(huì)影響bp的結(jié)果。（5）程序代碼%BP算法的實(shí)現(xiàn)%初始化程序clear all;in=5; hid=5; out=1; N=2

4、000; w2=rand(hid,in)-0.5; w3=rand(out,hid)-0.5;a=0.1;y(:,1:3)=zeros(1,3);u=2*(rand(1,N)-.5); for k=4:N y(k)=(y(k-1)*y(k-2)*y(k-3)*u(k-2)*(y(k-3)-1)+u(k-1)/(1+y(k-2)2+y(k-3)2);end%前向計(jì)算for k=4:N x1=y(k-1) y(k-2) y(k-3) u(k-1) u(k-2); for i=1:hid x2(:,i)=sigmoid2(x1*w2(i,:); endy1(k)=sigmoid2(x2*w3); e

5、(k)=y(k)-y1(k); e1(k)=e(k)*e(k); mste(k)=sum(e1)/k; disp(k mste(k);%誤差反向傳播delt3=e(k)*(1-y1(k)*(1+y1(k)/2; for j=1:hid delt2(j)=(1+x2(j).*(1-x2(j)./2.*delt3.*w3(j) ; w3(j)=w3(j)+a*delt3*x2(j) end for j=1:hid for l=1:in w2(j,l)=w2(j,l)+a*delt2(j)*x1(l); end endend %End of the train%測(cè)試數(shù)據(jù)產(chǎn)生for k=1:250 u

6、(k)=sin(pi*k/25);endfor k=250:500 u(k)=1;endfor k=501:750 u(k)=-1;endfor k=751:1000 u(k)=0.3*sin(pi*k/25)+0.1*sin(pi*k/32)+0.6*sin(pi*k/40);endfor k=4:1000 y(k)=(y(k-1)*y(k-2)*y(k-3)*u(k-2)*(y(k-3)-1)+u(k-1)/(1+y(k-2)2+y(k-3)2);end for k=4:1000 x1=y(k-1) y(k-2) y(k-3) u(k-1) u(k-2) for i=1:hid x2(:,i)=sigmoid2(x1*w2(i,:); end y1(k)=sigmoid2(x2*w3); ee(k)=y(k)-y1(k); disp(k,ee(k);end %學(xué)習(xí)結(jié)果顯示clft=1:1000;subplot(211),plot(t,u(t),.