人工神经网络第三章.优秀PPT.ppt

神经网络辨识n引言nNNI的一般结构n基于BP网络的辨识n基于Hopfield网络的辨识n逆动力学系统的建模神经网络原理1第三章第一章引言n定义n几个基本问题nNNI的原理nNNI的理论依据nNNI的优点神经网络原理2第三章第一章定义1.辨识就是在输入输出数据的基础上，从一组给定的模型中确定一个与所测系统等价的模型 2.辨识的三要素：I/O数据、系统结构模型、等价准则3.原理框图神经网络原理3第三章第一章系统辨识的原理图系统辨识模型W(k)Z(k)-+e(k)u(k)神经网络原理4第三章第一章基本问题n模型的选择n 原则：兼顾困难性和精确性n NNI：网络隐节点个数选择由仿真确定n输入信号选择n 对动态系统而言，输入信号要充分激励，（基本要求）进一步，最优输入信号设计n NNI：噪声或伪随机信号n 误差准则的确定神经网络原理5第三章第一章误差准则的确定n误差的三种形式1.输出误差2.逆模型辨识误差3.广义误差4.例神经网络原理6第三章第一章输出误差神经网络原理7第三章第一章逆模型辨识误差神经网络原理8第三章第一章广义误差神经网络原理9第三章第一章例:s的差分方程准则 L为学习序列长度，为数值NNI：NNI：实质为最优化问题神经网络原理10第三章第一章NNI原理n线性模型（ARMA模型)n原对非线性系统无统一数学模型描述n 现用NN靠近，给出基于输出误差的NNInNNI原理：在学习系统的I/O数据，建立系统的辨识格式，使误差准则最小，n 从中得出隐含的I/O关系神经网络原理11第三章第一章神经网络辨识系统结构示意图神经网络原理12第三章第一章TDL X(t)y(t)神经网络原理13第三章第一章NNI的理论依据n定理：具有随意数目隐单元的三层前向网络可一样靠近平方可积分函数神经网络原理14第三章第一章NNI的优点1.无需建立实际系统的辨识格式，可省去系统结构建模这一步，可调参数为NN的权值;2.可对本质非线性系统进行辨识，在网络外部含系统I/O特征，非算法式的;3.辨识算法不依靠于辨识系统的维数，仅与NN本身和学习算法有关;4.NN为实际系统的物理实现，可用于在在线限制。神经网络原理15第三章第一章NNI的一般结构n引言n对象的NL model描述神经网络原理16第三章第一章引言nNN：多层前馈网络（BP等）可实现随意NL静态映射；反馈网络（Hopfield）有动态环节，不行去映射NNn问题：希望构造新网络，保持2者优点，可映射随意NL动态网络n解决：将Hopfield网络形式由单层变多层神经网络原理17第三章第一章对象NL model描述n状态方程nNL model的四种形式n得出的四种辨识结构神经网络原理18第三章第一章状态方程n系统为具有未知参数的线性对象时，系统可控且可观，有串并联、并联两种形式神经网络原理19第三章第一章四种形式神经网络原理20第三章第一章辨识结构神经网络原理21第三章第一章并联模型+-ym(k+1)对象y(k+1)u(k)(a)e(k+1)NN模型Z-1神经网络原理22第三章第一章串并联模型+-对象y(k+1)u(k)(b)e(k+1)NN模型Z-1神经网络原理23第三章第一章基于BP网络的辨识(p177)n考虑SISO问题nNN的学习算法n例神经网络原理24第三章第一章流程图YN 图2.9 BP网络模型辨识框图样本u(k-1),y(k-1)进行数据预处理网络权值初始化 开 始由网络输出ym(k-1)，计算e(k-1)修正网络权值 e(k-1)Netdef=HHHHHHHHHH;L-;NN=2 2 1;trpamps=settrain;trpamps=settrain(trpamps,maxiter,300,D,1e-3,skip,10);w1,w2,NSSEvec=nnarx(Netdef,NN,trpamps,y1s,u1s);训练结束后，可接受函数nnvalid对所得到的nnoe模型进行有效性检验，首先对训练数据进行检验w1,w2=wrescale(nnarx,w1,w2,uscales,yscales,NN);yhat,NSSE=nnvaild(nnarx,Netdef,NN,w1,w2,y1,u1);神经网络原理78第三章第一章辨识结果神经网络原理79第三章第一章检验结果神经网络原理80第三章第一章相关函数神经网络原理81第三章第一章总结1.BP 网络辨识2.Hopfield网络辨识3.感知器网络辨识神经网络原理82第三章第一章