昆明理工大学智能控制(BP神经网络)实验(共9页).doc

《昆明理工大学智能控制(BP神经网络)实验(共9页).doc》由会员分享，可在线阅读，更多相关《昆明理工大学智能控制(BP神经网络)实验(共9页).doc（9页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、精选优质文档-倾情为你奉上昆明理工大学信息工程与自动化学院学生实验报告（ 20142015学年 第二学期 ）课程名称：智能控制导论 开课实验室：信自楼442机房 2015年5月30日年级、专业、班测控121学号 姓名 成绩实验项目名称 神经网络设计与MATLAB仿真指导教师 教师评语该同学是否了解实验原理： A.了解 B.基本了解 C.不了解 该同学的实验能力： A.强 B.中等 C.差 该同学的实验是否达到要求 ： A.达到 B.基本达到 C.未达到实验报告是否规范： A.规范 B.基本规范 C.不规范实验过程是否详细记录： A.详细 B.一般 C.没有 教师签名： 年 月 日一、实验目的通

2、过上机实习，熟悉MATLAB的基本操作命令和神经网络工具箱的使用，掌握MATLAB编程或神经网络编辑器等方法，进行BP神经网络设计的基本方法和步骤，为以后利用计算机进行神经网络控制系统分析与设计打下良好的基础。二、实验内容试设计BP神经网络来实现正弦函数的逼近。输入矢量 X= -2: 0.05: 2;相对应的目标矢量三、实验要求1 设计一个BP神经网络来实现对正弦函数关系的逼近；2 正确的选择确定BP神经网络的相关参数；3 完成BP网络函数逼近程序的仿真与调试；4 仿真结果分析。四、实验原理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。一个典型的三层BP网络的拓扑结构，层与层之间

3、采用全互连方式，同一层之间不存在相互连接,隐层可以有一层或多层。层与层之间有两种信号在流通：一种是工作信号，它是施加输入信号后向前传播直到在输出端产生实际输出的信号，是输入和权值的函数。另一种是误差信号,网络实际输出与期望输出间的差值即为误差，它由输出端开始逐层向后传播。BP网络的学习过程程由前向计算过程和误差反向传播过程组成。在前向计算过程中，输入量从输入层经隐层逐层计算，并传向输出层，每层神经元的状态只影响下一层神经元的状态。如输出层不能得到期望的输出，则转入误差反向传播过程，误差信号沿原来的连接通路返回，逐次调整网络各层的权值和阈值，直至到达输入层，再重复向计算。这两个过程一次反复进行，

4、不断调整各层的权值和阈值，使得网络误差最小或达到人们所期望的要求时，学习过程结束。五、实验过程利用两层BP网络完成函数逼近，隐含层激活函数为S型函数，输出层的激活函数为线性函数。程序为：clear all;clc;NNTWARN OFF;X=-2:0.05:2;T=sin(2*pi*X)+cos(pi*X);plot(X,T,+b);pause得到原始曲线截图：建立BP网络，并初始化权值和阈值程序为：R,N=size(X);S2,N=size(T);S1=20; %隐含层神经元个数w11,b11,w12,b12=initff(X,S1,tansig,S2,purelin);y1,y21=sim

5、uff(X,w11,b11,tansig,w12,b12,purelin);得到训练前BP网络的函数逼近效果截图：利用不含噪声的理想输入数据训练网络程序为：disp_freq=5; max_epoch=10000; % 训练次数err_goal=0.05; % 训练误差lr=0.01; %学习速率 tp=disp_freq max_epoch err_goal lr;w21,b21,w22,b22,te,tr=trainbpx(w11,b11,tansig,w12,b12,purelin,X,T,tp);BP网络训练过程参数显示截图为显示训练后网络的函数逼近效果程序为y1,y22=simuff

6、(X,w21,b21,tansig,w22,b22,purelin);plot(X,y21,-g,X,y22,or)disp(网络训练步数为：)tepause训练后BP网络的函数逼近效果截图为达到要求所用的网络训练步数截图：由于我预设的训练误差为0.05，相对来说比较大，而且预设10000步达到训练目的，但只用了1348步就已经完成了，所以我做了大胆的设想，将训练误差改为0.01，以期望能达到更高的要求。disp_freq=5; max_epoch=10000; % 训练次数err_goal=0.01; % 训练误差lr=0.01; %学习速率 tp=disp_freq max_epoch e

7、rr_goal lr;w21,b21,w22,b22,te,tr=trainbpx(w11,b11,tansig,w12,b12,purelin,X,T,tp);BP网络二次训练过程参数显示截图为显示二次训练后网络的函数逼近效果程序为y1,y22=simuff(X,w21,b21,tansig,w22,b22,purelin);plot(X,y21,-g,X,y22,or)disp(网络训练步数为：)tepause二次训练后BP网络的函数逼近效果截图为达到要求所用的二次网络训练步数截图： 由上可以看出，虽然网络训练步数增加了，但是训练误差却达到了0.01，得到了更加完美的的逼近曲线。预期的网络

8、输出曲线，与原始非线性函数曲线以及未训练网络的输出结果曲线相比较的截图为：检验训练后BP网络的泛化能力程序为x1=-0.24,-0.55,0,0.15,0.43,0.76,0.98;y2=simuff(x1,w21,b21,tansig,w22,b22,purelin);plot(x1,y2,cs);训练后BP网络的泛化效果截图为由截图可以看出，泛化的曲线与预期曲线完全的重合，达到了逼近的效果！六、结论在设置20个神经元的情况下，训练经过的4849步的训练后就达到了训练误差为0.01的逼近曲线，故逼近比较完美，此次试验比较成功！总结 通过这次实验，我对神经网络有了进一步的了解，在实践中学习的确能加深对知识的理解和运用能力。明白了BP神经网络算法的基本步骤，会运用Matlab构建简单的BP神经网络。同时，了解了BP神经网络各个参数的意义。在实验过程中，通过改变参数的值，调整BP神经网络的输出结果。专心-专注-专业