神經(jīng)網(wǎng)絡(luò)辨識及其應(yīng)用目錄CONTENTS神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)01BP網(wǎng)絡(luò)辨識02BP網(wǎng)絡(luò)的逼近03基于數(shù)據(jù)的BP網(wǎng)絡(luò)離線建模04基于模型的BP神經(jīng)網(wǎng)絡(luò)離線建模05RBF網(wǎng)絡(luò)的逼近06基于未知項(xiàng)在線建模的RBF網(wǎng)絡(luò)自校正控制07Hopfield網(wǎng)絡(luò)辨識08RBF網(wǎng)絡(luò)辨識應(yīng)用-自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制0904基于數(shù)據(jù)的BP網(wǎng)絡(luò)離線建模由于神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自組織和并行處理等特征，并具有很強(qiáng)的容錯(cuò)能力和聯(lián)想能力，因此，神經(jīng)網(wǎng)絡(luò)具有模式識別的能力。在神經(jīng)網(wǎng)絡(luò)模式識別中，根據(jù)標(biāo)準(zhǔn)的輸入輸出模式對，采用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，以標(biāo)準(zhǔn)的模式作為學(xué)習(xí)樣本進(jìn)行訓(xùn)練，通過學(xué)習(xí)調(diào)整神經(jīng)網(wǎng)絡(luò)的連接權(quán)值。當(dāng)訓(xùn)練滿足要求后，得到的神經(jīng)網(wǎng)絡(luò)權(quán)值構(gòu)成了模式識別的知識庫，利用神經(jīng)網(wǎng)絡(luò)并行推理算法對所需要的輸入模式進(jìn)行識別?；驹硭摹⒒跀?shù)據(jù)的BP網(wǎng)絡(luò)離線建模神經(jīng)網(wǎng)絡(luò)模式識別具有較強(qiáng)的魯棒性。當(dāng)待識別的輸入模式與訓(xùn)練樣本中的某個(gè)輸入模式相同時(shí)，神經(jīng)網(wǎng)絡(luò)識別的結(jié)果就是與訓(xùn)練樣本中相對應(yīng)的輸出模式。當(dāng)待識別的輸入模式與訓(xùn)練樣本中所有輸入模式都不完全相同時(shí)，則可得到與其相近樣本相對應(yīng)的輸出模式。當(dāng)待識別的輸入模式與訓(xùn)練樣本中所有輸入模式相差較遠(yuǎn)時(shí)，就不能得到正確的識別結(jié)果，此時(shí)可將這一模式作為新的樣本進(jìn)行訓(xùn)練，使神經(jīng)網(wǎng)絡(luò)獲取新的知識，并存儲到網(wǎng)絡(luò)的權(quán)值矩陣中，從而增強(qiáng)網(wǎng)絡(luò)的識別能力。利用神經(jīng)網(wǎng)絡(luò)的模式識別能力，可實(shí)現(xiàn)模型的離線建模；BP網(wǎng)絡(luò)的訓(xùn)練過程如下：正向傳播是輸入信號從輸入層經(jīng)隱層傳向輸出層，若輸出層得到了期望的輸出，則學(xué)習(xí)算法結(jié)束；否則，轉(zhuǎn)至反向傳播。以P個(gè)樣本為例，用于訓(xùn)練的BP網(wǎng)絡(luò)結(jié)構(gòu)如圖6-6所示。網(wǎng)絡(luò)的學(xué)習(xí)算法如下：四、基于數(shù)據(jù)的BP網(wǎng)絡(luò)離線建?；驹黼[層神經(jīng)元的輸入為所有輸入的加權(quán)之和：四、基于數(shù)據(jù)的BP網(wǎng)絡(luò)離線建模基本原理（1）前向傳播：計(jì)算網(wǎng)絡(luò)的輸出。

隱層神經(jīng)元的輸出xj'采用S函數(shù)激發(fā)xj：

則

輸出層神經(jīng)元的輸出：四、基于數(shù)據(jù)的BP網(wǎng)絡(luò)離線建?；驹?/p>

第p個(gè)樣本的誤差性能指標(biāo)函數(shù)為：其中N為網(wǎng)絡(luò)輸出層的個(gè)數(shù)。

四、基于數(shù)據(jù)的BP網(wǎng)絡(luò)離線建?；驹恚?）反向傳播：采用梯度下降法，調(diào)整各層間的權(quán)值。權(quán)值的學(xué)習(xí)算法如下：

四、基于數(shù)據(jù)的BP網(wǎng)絡(luò)離線建?；驹?/p>

其中

如果考慮上次權(quán)值對本次權(quán)值變化的影響，需要加入動(dòng)量因子a，此時(shí)的權(quán)值為：四、基于數(shù)據(jù)的BP網(wǎng)絡(luò)離線建模基本原理

每一次迭代時(shí)，分別依次對各個(gè)樣本進(jìn)行訓(xùn)練，更新連接權(quán)值，直到所有樣本訓(xùn)練完畢，再進(jìn)行下一次迭代，直到滿足精度為止。

其中η為學(xué)習(xí)速率，α為動(dòng)量因子，η∈[0,1]，α∈[0,1]。取標(biāo)準(zhǔn)樣本為3輸入2輸出樣本，如表6-1所示。仿真實(shí)例表6-1訓(xùn)練樣本四、基于數(shù)據(jù)的BP網(wǎng)絡(luò)離線建模輸入輸出1001001000.500101

仿真實(shí)例四、基于數(shù)據(jù)的BP網(wǎng)絡(luò)離線建模

仿真實(shí)例四、基于數(shù)據(jù)的BP網(wǎng)絡(luò)離線建模圖6-12樣本訓(xùn)練的收斂過程仿真實(shí)例四、基于數(shù)據(jù)的BP網(wǎng)絡(luò)離線建模表6-2測試樣本及結(jié)果輸入輸出0.9700.0010.0010.98620.00940.0000.9800.0000.00800.49720.0020.0001.040-0.01451.02020.5000.5000.5000.23950.61081.0000.0000.0001.0000-0.00000.0001.0000.0000.00000