本文格式為Word版，下載可任意編輯——昆明理工大學智能控制（BP神經(jīng)網(wǎng)絡(luò)）試驗昆明理工大學信息工程與自動化學院學生試驗報告

（2023—2023學年其次學期）

課程名稱：智能控制導論開課試驗室：信自樓442機房2023年5月30日年級、專業(yè)、班測控121學號試驗項目名稱神經(jīng)網(wǎng)絡(luò)設(shè)計與MATLAB仿真姓名成績指導教師該同學是否了解試驗原理：A.了解□B.基本了解□C.不了解□教該同學的試驗?zāi)芰Γ篈.強□B.中等□C.差□師該同學的試驗是否達到要求：A.達到□B.基本達到□C.未達到□試驗報告是否規(guī)范：A.規(guī)范□B.基本規(guī)范□C.不規(guī)范□評試驗過程是否詳細記錄：A.詳細□B.一般□C.沒有□語教師簽名：年月日一、試驗?zāi)康耐ㄟ^上機實習，熟悉MATLAB的基本操作命令和神經(jīng)網(wǎng)絡(luò)工具箱的使用，把握MATLAB編程或神經(jīng)網(wǎng)絡(luò)編輯器等方法，進行BP神經(jīng)網(wǎng)絡(luò)設(shè)計的基本方法和步驟，為以后利用計算機進行神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)分析與設(shè)計打下良好的基礎(chǔ)。二、試驗內(nèi)容

試設(shè)計BP神經(jīng)網(wǎng)絡(luò)來實現(xiàn)正弦函數(shù)的迫近。

輸入矢量X=-2:0.05:2;相對應(yīng)的目標矢量Y三、試驗要求

1．設(shè)計一個BP神經(jīng)網(wǎng)絡(luò)來實現(xiàn)對正弦函數(shù)關(guān)系的迫近；2．正確的選擇確定BP神經(jīng)網(wǎng)絡(luò)的相關(guān)參數(shù)；3．完成BP網(wǎng)絡(luò)函數(shù)迫近程序的仿真與調(diào)試；4．仿真結(jié)果分析。

四、試驗原理

BP網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，由輸入層、隱層和輸出層組成。一個典型的三層BP網(wǎng)絡(luò)的拓撲結(jié)構(gòu)，層與層之間采用全互連方式，同一層之間不存在相互連接,隱層可以有一層或多層。層與層之間有兩種信號在流通：一種是工作信號，它是施加

第1頁共9頁

?sin(2??X)?cos(??X)

輸入信號后向前傳播直到在輸出端產(chǎn)生實際輸出的信號，是輸入和權(quán)值的函數(shù)。另一種是誤差信號,網(wǎng)絡(luò)實際輸出與期望輸出間的差值即為誤差，它由輸出端開始逐層向后傳播。BP網(wǎng)絡(luò)的學習過程程由前向計算過程和誤差反向傳播過程組成。在前向計算過程中，輸入量從輸入層經(jīng)隱層逐層計算，并傳向輸出層，每層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如輸出層不能得到期望的輸出，則轉(zhuǎn)入誤差反向傳播過程，誤差信號沿原來的連接通路返回，逐次調(diào)整網(wǎng)絡(luò)各層的權(quán)值和閾值，直至到達輸入層，再重復向計算。這兩個過程一次反復進行，不斷調(diào)整各層的權(quán)值和閾值，使得網(wǎng)絡(luò)誤差最小或達到人們所期望的要求時，學習過程終止。

五、試驗過程

利用兩層BP網(wǎng)絡(luò)完成函數(shù)迫近，隱含層激活函數(shù)為S型函數(shù)，輸出層的激活函數(shù)為線性函數(shù)。程序為：

clearall;clc;

NNTWARNOFF;X=-2:0.05:2;

T=sin(2*pi*X)+cos(pi*X);plot(X,T,'+b');pause

得到原始曲線截圖：

建立BP網(wǎng)絡(luò)，并初始化權(quán)值和閾值

第2頁共9頁

程序為：[R,N]=size(X);[S2,N]=size(T);

S1=20;%隱含層神經(jīng)元個數(shù)

[w11,b11,w12,b12]=initff(X,S1,'tansig',S2,'purelin');[y1,y21]=simuff(X,w11,b11,'tansig',w12,b12,'purelin');得到訓練前BP網(wǎng)絡(luò)的函數(shù)迫近效果截圖：

利用不含噪聲的理想輸入數(shù)據(jù)訓練網(wǎng)絡(luò)程序為：disp_freq=5;

max_epoch=10000;%訓練次數(shù)err_goal=0.05;%訓練誤差lr=0.01;%學習速率

tp=[disp_freqmax_epocherr_goallr];

[w21,b21,w22,b22,te,tr]=trainbpx(w11,b11,'tansig',w12,b12,'purelin',X,T,tp);

第3頁共9頁

BP網(wǎng)絡(luò)訓練過程參數(shù)顯示截圖為

顯示訓練后網(wǎng)絡(luò)的函數(shù)迫近效果程序為

[y1,y22]=simuff(X,w21,b21,'tansig',w22,b22,'purelin');plot(X,y21,'--g',X,y22,'or')disp('網(wǎng)絡(luò)訓練步數(shù)為：')tepause

第4頁共9頁

訓練后BP網(wǎng)絡(luò)的函數(shù)迫近效果截圖為

達到要求所用的網(wǎng)絡(luò)訓練步數(shù)截圖：

由于我預設(shè)的訓練誤差為0.05，相對來說比較大，而且預設(shè)10000步達到訓練目的，但只用了1348步就已經(jīng)完成了，所以我做了大膽的設(shè)想，將訓練誤差改為0.01，以期望能達到更高的要求。disp_freq=5;

max_epoch=10000;%訓練次數(shù)err_goal=0.01;%訓練誤差lr=0.01;%學習速率

tp=[disp_freqmax_epocherr_goallr];

[w21,b21,w22,b22,te,tr]=trainbpx(w11,b11,'tansig',w12,b12,'purelin',X,T,tp);

第5頁共9頁

BP網(wǎng)絡(luò)二次訓練過程參數(shù)顯示截圖為

顯示二次訓練后網(wǎng)絡(luò)的函數(shù)迫近效果程序為

[y1,y22]=simuff(X,w21,b21,'tansig',w22,b22,'purelin');plot(X,y21,'--g',X,y22,'or')disp('網(wǎng)絡(luò)訓練步數(shù)為：')tepause

第6頁共9頁

二次訓練后BP網(wǎng)絡(luò)的函數(shù)迫近效果截圖為

達到要求所用的二次網(wǎng)絡(luò)訓練步數(shù)截圖：

由上可以看出，雖然網(wǎng)絡(luò)訓練步數(shù)增加了，但是訓練誤差卻達到了0.01，得到了更加完美的的迫近曲線。

預期的網(wǎng)絡(luò)輸出曲線，與原始非線性函數(shù)曲線以及未訓練網(wǎng)絡(luò)的輸出結(jié)果曲線相比較的截圖為：

第7頁共9頁

檢驗訓練后BP網(wǎng)絡(luò)的泛化能力程序為

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');

訓練后BP網(wǎng)絡(luò)的泛化效果截圖為

由截圖可以看出，泛化的曲線與預期曲線完全的重合，達到了迫近的效果！

第8頁共9頁

六、結(jié)論

在設(shè)置20個神經(jīng)元的狀況下，訓練經(jīng)過的4849步的訓練后就達到了訓練誤差為0.01的迫近曲線，故迫近比較完美，此次試驗比較成功！

總結(jié)

通過這次試