资源描述：
《基于matlab_的神经网络的仿真》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、智能控制基于MATLAB的神经网络的仿真学院：机电工程学院姓名：白思明学号：2011301310111年级：自研-11学科：检测技术与自动化装置日期：2012-4-3一．引言人工神经网络以其具有信息的分布存储、并行处理以及自学习能力等优点,已经在模式识别、信号处理、智能控制及系统建模等领域得到越来越广泛的应用。MATLAB中的神经网络工具箱是以人工神经网络理论为基础,利用MATLAB语言构造出许多典型神经网络的传递函数、网络权值修正规则和网络训练方法，网络的设计者可根据自己的需要调用工具箱中有关神
2、经网络的设计与训练的程序,免去了繁琐的编程过程。二．神经网络工具箱函数最新版的MATLAB神经网络工具箱为Version4.0.3,它几乎涵盖了所有的神经网络的基本常用类型，对各种网络模型又提供了各种学习算法，我们可以根据自己的需要调用工具箱中的有关设计与训练函数，很方便地进行神经网络的设计和仿真。目前神经网络工具箱提供的神经网络模型主要用于：1.数逼近和模型拟合；2.信息处理和预测；3.神经网络控制；4.故障诊断。神经网络工具箱提供了丰富的工具函数，其中有针对某一种网络的，也有通用的，下面列表中
3、给出了一些比较重要的工具箱函数。三．仿真实例BP网络是一种多层前馈神经网络，由输入层、隐层和输出层组成。BP网络模型结构见图1。网络同层节点没有任何连接，隐层节点可以由一个或多个。网络的学习过程由正向和反向传播两部分组成。在正向传播中，输入信号从输入层节点经隐层节点逐层传向输出层节点。每一层神经元的状态只影响到下一层神经元网络，如输出层不能得到期望的输出，那么转入误差反向传播过程，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，逐次地向输入层传播去进行计算，在经正向传播过程，这两个过程反
4、复运用，使得误差信号最小或达到人们所期望的要求时，学习过程结束。利用神经网络工具箱进行设计和仿真的具体步骤：1.确定信息表达方式：将实际问题抽象成神经网络求解所能接受的数据形式；2.确定网络模型：选择网络的类型、结构等；3.选择网络参数：如神经元数，隐含层数等；4.确定训练模式：选择训练算法，确定训练步数，指定训练目标误差等；5.网络测试：选择合适的训练样本进行网络测试。下面给出一个利用BP神经网络进行函数逼近的例子。第一步问题的提出设计一个简单的BP网络，实现对非线性函数的逼近，通过改变BP网络
5、的隐层神经元的数目，采用不同的训练方法来观察训练时间和训练误差的变化情况。假设将要将要逼近的函数为正弦函数，其频率参数N=1，绘制此函数见图2所示。N=1;p=[-1:0.05:1];t=sin(N*pi*p);%假设N=1，绘制此函数曲线plot(p,t,'r*')title('要逼近的非线性函数')xlabel('时间');第二步网络建立应用newff()建立两层的BP网络，隐层神经元数目可以改变,此时S=8，输出层一个神经元，隐层和输出层的传递函数分别为tansig和purelin，学习算法
6、采用Levenberg-Marquadt(trainlm)。用sim()观察初始化网络输出如图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('未训练网络的输出结果')xlabel('时间');ylabel('仿真输出-原函数*');legend('要逼近的非线性函数','未训练网络的输出结果')图2要逼近的非线性
7、函数图3未训练时网络的输出结果第三步网络训练将训练时间设为10，精度为0.001，用train()进行训练，误差曲线见图4所示。net.trainParam.epochs=10;net.trainParam.goal=0.001;net1=train(net,p,t)图4训练过程图第四步网络测试用sim()观察训练后的网络输出如图5所示。y2=sim(net1,p)figure;plot(p,t,'r*',p,y1,'b-',p,y2,'ko')title('训练后网络的输出结果')xlabel(
8、'时间');ylabel('仿真输出')legend('要逼近的非线性函数','未训练网络的输出结果','训练后网络的输出结果')图5训练后网路的输出结果从图5可以看出经过很短时间的训练后BP网络很好的逼近了非线性函数。讨论：1.改变非线性函数的频率，即改变N的值时发现，网络的训练时间会长些，逼近效果要差些。2.改变隐层的神经元数目对网络的逼近效果也有影响，一般来说，隐层的神经元数目越多，则BP网络逼近非线性函数能力越强，但也并非隐层的神经元数目越多，网络性能就越好，而同时训练时间
