matlab在RBF神经网络模型中的应用.pdf

《matlab在RBF神经网络模型中的应用.pdf》由会员分享，可在线阅读，更多相关《matlab在RBF神经网络模型中的应用.pdf（5页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、农业网络信息2 0 0 9 年第2 期交流园地M A T L A B 在R BF 神经网络模型中的应用高宁，张建中2(1 安徽农业大学信息与计算机学院，安徽合肥2 3 0 0 3 6；2 安徽建筑工业学院电子与信息工程学院，安徽合肥2 3 0 0 2 2)摘要：本文介绍了R B F 神经网络的基本原理及主要特点，并举例说明了基于M A T L A B 神经网络工具箱建立R B F 神经网络模型及实现仿真的方法。关键词：仿真；M A T L A B 神经网络工具箱；R B F 神经网络中图分类号：T P 3 9 9文献标识码：A文章编码：1 6 7 2 6 2 5 1(2 0 0 9)0 2 一

2、0 1 1 0 0 2A p p l i c a t i o no fR B Fn e u r a ln e t w o r km o d e lb a s e dO RM A T L A BG A ON i n g I,Z H A N GJ a n-z h o n g a(1 C o l l e g eo fI n f o r m a t i o na n dc o m p u t e r,A n h u iA g r i c u l t u r eU n i v e r s i t y，H e f e i2 3 0 0 3 6，C h i n a；2 C o l l e g eo fE l

3、 e c t r o n i c sa n dI n f o r m a t i o nE n g i n n e r,A n h u iA r c h i t e c t u r eU n i v e r s i t y，H e f e i2 3 0 0 2 2，C h i n a)A b s t r a c t：I nt h i sp a p e r。t h ep r i n c i p l ea n dc h a r a c t e r i s t i co fR B Fn e u r a ln e t w o r k 啪e x p l a i n e d，a n dt h em e t

4、 h o do fb u i l d i n ga n ds i m u l a t i n gR B Fn e u r a ln e t w o r km o d e li si n t r o d u c e d K e yw o r d s：S i m u l a t i o n；M A T L A Bn e u r a ln e t w o r kt o o l b o x；R B Fn e u r a ln e t w o r k人工神经网络具有大规模并行处理能力、分布式存储能力、自适应(学习)能力等特征，神经网络特有的非线性适应性信息处理能力。克服了传统人工智能方法的缺陷，已广泛应

5、用于模式识别、信号处理等各种应用领域。M A T L A B 集数值分析、矩阵运算、信号处理和图形显示于一体，构成了一个方便的、界面友好的用户环境。应用M A，I I A B 语言构造典型神经网络的激活传递函数。编写各种网络设计与训练的子程序网络设计者可以根据需要调用工具箱中有关神经网络的设计训练的函数，从繁琐的编程中解脱出来。本文主要介绍基于M A T L A B 神经网络工具箱实现R B F神经网络模型及其应用。lR B F 神经网络简介径向基函数(R a d i a lB a s i sF u n t i o n，R B F)神经网络由三层组成，包括输入层、隐含层和输出层，隐含层的神经元

6、数目由具体问题的情况而定。如图1 1 所示。输入层节点只传递输入信号到隐层，隐层节点由象高斯函数那样的辐射状作用函数构成。而输出层节点通常是简单的线性函数。隐含层节点中的作用函数(基函数)对输入信号在局部产生响应，也就是说。当输入信号靠近基函数的中央范嗣时，隐含层节点将产生较大的输出。由此可看出这种网络具有局部逼近能力。所以径向基函数网络也称为局部感知场网络。R B F 神经网络是一种典型的局部逼近神经网络对于每个输人输出数据对，只有少量权值需要调整，从而使局部逼近网络具有学习速度快的优点这点对于控制来说至关重要。理论上已经证明只要隐含层神经元的数量足够多，R B F 网络能以任意精度逼近任何

7、单值连续函数。图1R B F 神经网络结构R B F 神经网络是一种性能良好的前向神经网络，具有收敛速度快、网络结构简单、逼近性能良好、不存在局部极小等优点。收稿日期：2 0 0 8 1 2 0 9；修回日期：2 0 0 8 1 2 1 2基金项目：安徽省教育厅青年教师科研资助项目2 0 0 4 j q l 5 0作者简介：高宁(1 9 7 8 一)，女，硕士，讲师，研究方向：计算机网络、计算机仿真等方面的研究。一1 1 0 万方数据农业网络信息2 0 0 9 年第2 期交流园地2 径向基函数神经网络的工具箱函数M A T L A B 的R B F 网络工具箱中包含了进行R B F网络分析和设

8、计的许多函数，这里介绍几个常用的函数。(1)n e w r b e()。该函数可以快速构建一个径向基函数网络，且使得设计误差为O，该函数使径向基层神经元数目等于输入向量的个数。格式为n e t=n e w r b e(P，T,S P R E A D)，其中P 为输入向量，T 为期望输出向量(目标值)，S P R E A D 为径向基层的散步常数，缺省值为l。(2)n e w r b()。n e w r b()能更有效进行网络设计，径向基函数网络逼近函数时，n e w r b()函数可以自动增加网络的隐含层神经元数目直到均方差满足精度或者神经元数目达到最大为止。格式为n e t=n e w r

9、b(P，T，G O A L，S P R E A D，M N，D n，其中P,T，S P R E A D 变量的意义同n e w r b e0 函数，G O A L 为训练精度，缺省值为0，M N 为神经元个数的最大值，D F为训练过程的显示频率。(3)r a d b a s。径向基传递函数。此函数可由它的网络输入计算神经元的输出。(4)s i m()。神经网络仿真函数。格式为Y=s i m(n e t，P)。其中n e t 为神经网络对象，P 为网络输入，Y为网络输出。3 径向基函数网络的设计及应用径向基函数网络多用于函数逼近和分类问题的研究。函数逼近的目的就是找到一个函数能够满足一组输入输出

10、数据之间的关系。其中一个方法就是通过构建径向基甬数网络来进行曲线拟合。现通过一个实例来说明径向基函数网络在函数逼近上的应用。设需要拟合的输入、输出数据为：p=-l：1：1t=【-0 9 6 0 2-0 5 7 7-0 0 7 2 90 3 7 710 6 4 0 50 6 60 4 6 0 9 0 1 3 3 6-0 2 0 1 3-0 4 3 4 4-0 5-0 3 9 3-0 1 6 4 70 0 9 8 8 0 3 0 7 20 3 9 60 3 4 4 90 1 8 1 6 0 0 3 1 2 O 2 1 8 9 0 3 2 0 1】其中P 为输入样本t 为输出样本。3 1网络模型的建

11、立初始化网络的训练参数，误差值为0 0 0 0 1 散步常数为l，显示频率为1，隐含层的最大神经元数为2 0s p r e a d=lg o a l=l e-4d f=lr a n=2 0建立网络模型n e t=n e w r b(p，t，g o a l，s p r e a d，m n，d O训练过程中n e w r b0 函数每次循环只产生一个神经元，而每增加一个径向基神经元都能最大程度的降低误差，如果未达到精度要求则继续增加神经元。满足精度要求后网络设计成功。程序终止的条件是满足精度要求或达到最大神经元数目。从图2 R B F 网络训练的均方差与训练步数之间的关系可以看出，R B F 网络

12、训练需要8 步即达到了训练的精度要求。图2R B F 网络训练均方差与训练步数关系3 2R B F 网络测试R B F 神经网络训练完成后将网络输出合期望值随输入变化的曲线绘制在一张图上，可以看出网络设置是否能够做到甬数逼近。完成上述目标的代码为：p l o t(p，t，0 3h o l do nx=-1：0 1：ly=s i m(n e t,x)p l o t(x,y)x,y 分别为验证数据的输入样本合网络输出。实际样本数据和网络输出如图3 所示。图中“O“号表示实际样本数据，实线为网络预测值。可以看出应用径向基函数网络进行函数逼近效果很好。4 结论基于M A T L A B 实现R B F

13、 网络的模型，解决了传统方法对非线性预测精度不高和复杂建模的问题。在(下转第1 1 6 页)一1 1 1 万方数据农业网络信息2 0 0 9 年第2 期交流园地次测量，到达规定的次数时，进行平均值的计算，显示。S 3：测量结果无效，按下此键后，上次测量存储在暂存器中的数据无效，不予存储，程序进行下次的测量。S 4：结束键。此键在完成测量或不再测量时按下，结束程序。1 6 显示模块M A X 7 2 1 9M A X 7 2 1 9 是M A X I M 公司生产的一种串行输入输出共阴极显示驱动器，用来把微处理器接到8 位7 段数字L E D 显示器。一个3 线S P I 串行接口可连接各种通用

14、单片机。各位数字可被寻址和更新，而无需重写整个8 位数字。2 系统软件设计根据硬件电路图的连接和系统功能的要求软件必须完成以下功能，控制A D 转换电路读入测量结果，控制M A X 7 2 1 9 实现显示功能，完成堵粮判定，并通过控制高低电平的输出，实现报警控制，读键盘完成人机交流。并且实现平均值计算。主要包括：主程序，结果测量读入程序，显示程序，延时程序，7 2 1 9 初始化程序，平均值计算程序。主程序主要完成系统初始化，读键盘，判断，调用程序模块，循环过程等操作，是整个软件的大体骨架。它的主要功能是对单片机状态参量寄存器的初始化和程序自定义状态参量进行初始化，并且调用子程序流程等功能，

15、提供子程序入口地址，以完善系统功能。测量程序是启动A D C 0 8 0 9，将电容传感器测最的模拟量转换为单片机识别的数字量，并暂时存入寄存器中。为单片机处理和进行下一步操作提供数据和依据。显示程序是通过控制8 位L E D 显示器的M A X 7 2 1 9 集成芯片完成。实现人机交流。3 结论与讨论整个系统设计对提高工作效率，减轻劳动强度，节省人力，实现粮库管理自动化具有重要意义。但是就目前实际情况来看，电容式粮食水分检测的影响因素较多，测量精度不理想，建立一个规范的数学模型是很难的。传统的只考虑输出电压(电容值)来确定水分值的方法尚需完善，数据处理方法也比较单一简陋。近年来，由于人工智

16、能及数据融合技术的发展，为水分检测技术数据的综合处理提供了新的方法。已取得了一些可喜的成果所以只有全面考虑各个因素的影响，采用先进的数据处理方法，才能提高粮食水分的检测精度。参考文献【1】单成祥传感器的理论与设计基础及应用【M】北京：国防工业出版社1 9 9 9【2】汪延祥具有自定标功能的粮食水分测定仪叨分析仪器，1 9 9 6，(2)：2 5-2 9【3】杜民水分测定仪的综合研究及评述【J 中国仪器仪表，1 9 9 7 g 屿离葛的离窖蝇皋留弛离留弛摹窜醵彝牙弛净牙曲芦拶岫声誉岣萍g 岣$留的声学弛昂留她零瘩均鼢搴鹕鹕秘零搴鹋鹕 萍g 啦昏g q F 的彝茸宅秘零鹋挚秘搴零鹕零零牙屿萍窖屿萍

17、壹皋(上接第1 1 1 页)用于生产生活中的具体非线性问题的预测中是一种值得推广的方法。参考文献【1】董长虹M A T L A B 神经网络与应用f M】北京：国防工业出版社，2 0 0 5【2】楼顺天，施阳基于M A T L A B 的系统分析与设计 M 北京：西安电子科技大学出版社。2 0 0 0【3】闻新，等M A T L A B 神经网络应用设计 M】北京：科学出版社，2 0 0 0 图3 网络输出和目标值比较【4】高宁基于M A T L A B 的B P 神经网络在农作物虫情预测预报中构建径向基函数网络时，S P R E A D 的设置是个关键的应用【J】计算机与农业，2 0 0 3

18、，(7)：1 6-1 8 问题，需要对网络模型进行多次训练以选取使网络达【5】刘荻，周振民R B F 神经网络在径流预报中的应用叨化北水利到最佳性能的散步常数。水电学院学报，2 0 0 7，2 8(2)：1 2 1 4 R B F 网络模型预测精度高，学习速度快，将其应一11 6 万方数据MATLAB在RBF神经网络模型中的应用MATLAB在RBF神经网络模型中的应用作者：高宁，张建中，GAO Ning，ZHANG Jan-zhong作者单位：高宁,GAO Ning(安徽农业大学,信息与计算机学院,安徽,合肥,230036)，张建中,ZHANGJan-zhong(安徽建筑工业学院,电子与信息工

19、程学院,安徽,合肥,230022)刊名：农业网络信息英文刊名：AGRICULTURE NETWORK INFORMATION年，卷(期)：2009，(2)被引用次数：0次 参考文献(5条)参考文献(5条)1.董长虹 MATLAB神经网络与应用 20052.楼顺天.施阳 基于MATLAB的系统分析与设计 20003.闻新 MATLAB神经网络应用设计 20004.高宁 基于MATLAB的BP神经网络在农作物虫情预测预报中的应用期刊论文-计算机与农业 2003(07)5.刘荻.周振民 RBF神经网络在径流预报中的应用期刊论文-华北水利水电学院学报 2007(02)相似文献(10条)相似文献(10条

20、)1.期刊论文 蔡立.徐鑫 MATLAB神经网络工具箱在非线性系统建模中的应用-机电工程技术2008,37(2)本文介绍在Matlab环境下发电厂水位控制BP模型的建模与仿真方法,得出了预测模型的最优参数.仿真结果表明,MAT-LAB神经网络工具箱可有效地用来解决复杂的非线性控制系统的优化设计问题.2.学位论文 倪楠 基于神经网络的焊接机器人CO保护焊工艺参数优化 2005 本文从CO2保护焊技术的发展需要出发，为了更好地对焊缝几何形状进行预测，提出了建立CO2保护焊接参数优化系统的必要性和实用性。为了较好地解决CO2保护焊接工艺参数与焊缝几何形状之间的非线性映射问题，克服建立数学模型的困难，

21、本文利用人工神经网络处理的非线性特点以及其在自组织学习与模糊推理等方面的技术优势，提出了将神经网络技术引入到系统中，建立一个基于神经网络的参数优化系统，为CO2保护焊焊缝几何形状预测开辟了一条新的路径。对网络训练样本的采集，本文提出了采用正交试验设计的方法来安排试验，数据处理采用极差分析法，并用实例进行了验证，保证了获取训练样本的代表性。对于网络结构各参数的确定，本论文通过调用Matlab软件中的神经网络工具箱来仿真训练建立起来的BP神经网络，通过不断的调整，获得理想的参数。本文中参数优化系统的开发采用模块化设计，在Windows环境下以VC+作为开发工具，采用面向对象的设计方法进行开发，建立

22、了人机交互界面、网络训练模块以及数据仿真模块。在网络训练模块中，可以完成BP网络的建立、系统参数设置、样本数据调入和网络训练，并把训练好的网络保存起来。训练过程中的具体的计算由自定义的CMatrix类来完成。数据仿真模块则可以调用训练好的网络和需要仿真的数据完成数据仿真。运行程序完成了网络训练模块和数据仿真模块，从而可以完成焊缝几何形状的预测，实现焊接参数的优化。整个系统的建立过程为其他领域参数优化系统的开发提供了可借鉴的思路和方法。3.期刊论文 湛力.罗喜霜.ZHAN Li.LUO Xi-shuang Matlab神经网络工具箱在导弹解耦控制仿真中的应用-系统仿真学报2006,18(5)研究

23、Matlab神经网络工具箱在导弹解耦控制中的应用.以某型导弹为例,介绍静态状态反馈非线性解耦控制方法在导弹解耦控制中应用的优势和不足,结合Matlab神经网络工具箱强大的功能,为导弹的解耦控制难题提供了解决办法.仿真结果表明,应用神经网络工具箱可以简化导弹解耦控制算法的复杂程度,使之更适合于工程应用.4.期刊论文 王坤 Visual C+调用Matlab神经网络工具箱的一种实现方法-中国科技信息2008,(15)在Matlab中对神经网络进行训练和仿真,并将训练好的神经网络在Matlab中以.mat文件格式保存,以Visual C+为主要编程软件,给出如何调用Matlab中的神经网络工具箱的方

24、法.Visual C+通过调用Matlab神经网络工具 箱的方法,调用训练好的神经网络,实现Visual C+与Matlab之间的调用.5.学位论文 崔旖娜 基于BP神经网络的辽宁省建筑业评价及预测 2006 建筑业是国民经济发展的支柱产业之一，它的健康发展对国民经济有着举足轻重的作用。随着我国加入WTO，建筑市场逐步开放，我国建筑业将直接面对各种机遇与挑战。建筑业一直是辽宁省经济的优势产业之一，研究我省建筑业如何抓住契机，把握机遇，迎接挑战，在激烈的市场竞争中立足，实现向建筑大省强省的历史性跨越十分必要。本论文以辽宁省建设厅前期研究课题为依托，结合建筑业发展特点，进一步深入探索分析，基于BP

25、神经网络对辽宁省建筑业进行综合评价和经济技术指标预测。本文建立在一个建筑业经济技术综合评价指标体系之上，对辽宁省建筑业发展现状进行科学系统的分析评价，并对各项经济技术指标进行预测。本文在前期课题研究成果基础上，完善了建筑业经济技术综合评价指标体系；完成了所选取十二个省市1994年-2003年建筑业相关指标数据的收集；实现了基于产业经济学理论的建筑业评价；完成了几种综合评价方法在建筑业评价中应用的对比分析；采用层次分析法和模糊综合评价法对辽宁省建筑业进行了综合评价，并以其2002年评价结果作为训练样本，将训练得到的BP神经网络作为综合评价模型，经过仿真得到2003年各省市建筑业综合评分值，进而实

26、现基于BP神经网络的建筑业综合评价，并通过十二个省市综合评分结果的对比分析，客观的评价了辽宁省建筑业发展现状；应用灰色系统和BP神经网络时间序列分析两种方法进行辽宁省建筑业各项经济技术指标的预测，并结合计算结果对两种预测方法进行了对比分析，得出了基于BP神经网络时间序列分析方法的建筑业经济技术指标预测的效果明显优于灰色系统预测的结论；最后，根据评价和预测结果，对政府出台相应政策措施提出建议。在计算过程中，本文利用前期课题成果，应用VISUALC+语言开发的程序，进行层次分析法、模糊综合评价及灰色系统预测计算；以Matlab6.5为平台，应用Matlab工具箱中的神经网络工具箱(NeuralNe

27、tworkToolbox)函数，开发程序，实现基于BP神经网络的建筑业综合评价和经济技术指标预测计算。6.期刊论文 罗成汉 基于MATLAB神经网络工具箱的BP网络实现-计算机仿真2004,21(5)简要介绍BP神经网络结构和算法以及MATLAB语言的特点.利用MATLAB的神经网络工具箱提供的许多有关神经网络设计、训练以及仿真的函数实现BP网络将非常容易,用户只要根据自己的需要调用相关程序,从而免除了编写复杂而庞大的算法程序的困扰.并详细论述利用MATLAB神经网络工具箱设计BP网络的方法及步骤,给出具体应用实例,从而验证该方法的可行性.7.期刊论文 谭剑波.把多铎.高立明.TAN Jian

28、bo.BA Duoduo.GAO Liming 基于改进BP网络的轴流式水轮机调节特性仿真-人民长江2010,41(2)为了获得水力机组在小开度、小流量工况点下非线性特性数据,利用改进BP网络与MATLAB神经网络工具箱相结合的方法,将已知的水轮机综合特性曲线数据与边界约束点相结合,经网络自动学习训练可获得低效区的流量延拓、力矩延拓仿真曲面.改进BP网络模型可以大大地提高水轮机综合特性曲线数据处理的效率与精度,是研究水轮机控制系统的一种新的非线性建模仿真模型.8.期刊论文 温浩.赵国庆 基于MATLAB神经网络工具箱的线性神经网络实现-电子科技2005,(1)首先简要介绍了线性神经网络结构和算

29、法,以及MATLAB语言的特点.其次介绍了利用MATLAB神经网络工具箱实现线性神经网络方法和基本步骤.基于MATLAB语言提供的神经网络工具箱函数进行网络设计,用户可以根据自己的需要调用相关的程序,从而省去了编写具体的复杂而冗长的算法细节.最后给出具体的实例,证明该方法是可行的.9.期刊论文 戴晓波.张明旭.伏晴艳 用BP神经网络模型定量估算石化企业炼油废水处理中的VOCs-环保科技2010,16(1)将BP神经网络理论引入石化企业炼油厂废水处理中的VOCs挥发量估算.在分析影响VOCs挥发因素的基础上,利用基于MATLAB神经网络工具箱的图形用户界面GUI,建立了石化企业炼油废水处理中VOCs挥发量估算的BP神经网络模型.用该模型对样本集进行了学习训练和仿真测试,并将训练好的神经网络应用于相关实例的估算.结果表明,应用BP神经网络方法进行石化企业炼油废水处理中VOCs挥发量估算结果与美国环保局推荐软件WATER9的计算结果误差在1.49%17.46%之间,为石化企业炼油废水处理中VOCs挥发量估算提供了一种较为可靠的方法.10.会议论文 张景华.张军 基于MATLAB神经网络工具箱BP神经网络仿真 2001 本文提出以MATLAB神经网络工具箱为基础,按BP神经网络计算算法,对三层BP网络进行仿真,并总结出对中间层、权值、学习速率和期望误差的选取方法.本文链接：http:/