6.2 基于bp神经网络的辨识.ppt

6.1 传统的建模方法 神经网络应用于系统建模的一个优点是通过直接学习系统的输入输出数据使所要求的误差准则函数达到最小，从而辨识出隐含在系统输入输出的关系。利用神经网络建模的基本结构图如图5所示. 6、BP网络离线建模 图5 基本的离线神经网络建模结构 其中模块Plant为实际系统，NN为用神经网络建立的实际系统等效模型网络输入为u和y。u为控制输入，y为对象的输出， 为神经网络的输出。 仿真实例 使用BP网络对下列对象进行建模： 在BP网络中，网络输入信号为2个，即 ， 和 。 网络初始权值及高斯函数参数初始权值可取随机值，也可通过仿真测试后获得。 输入信号为正弦信号： 网络隐层神经元个数取6，网络结构为2-6-1，网络的初始权值取随机值。网络的学习参数取 训练样本取200组。 BP网络离线训练程序见chap6_3a.m。BP网络在线估计程序见chap6_3b.m。 1、BP神经网络 1986年，Rumelhart等提出了误差反向传播神经网络，简称BP网络（Back Propagation），该网络是一种单向传播的多层前向网络。 误差反向传播的BP算法简称BP算法，其基本思想是梯度下降法。它采用梯度有哪些信誉好的足球投注网站技术，以期使网络的实际输出值与期望输出值的误差均方值为最小。 6.2 基于BP神经网络的建模 BP网络特点 （1）是一种多层网络，包括输入层、隐含层和输出层； （2）层与层之间采用全互连方式，同一层神经元之间不连接； （3）权值通过δ学习算法进行调节； （4）神经元激发函数为S函数； （5）学习算法由正向传播和反向传播组成； （6）层与层的连接是单向的，信息的传播是双向的。 BP网络结构 含一个隐含层的BP网络结构如图1所示，图中 为输入层神经元， 为隐层神经元， 为输出层神经元。 图1 BP神经网络结构 2、BP网络的在线逼近 BP网络逼近的结构如图2所示，图中k为网络的迭代步骤，u(k)和y(k)为网络的输入。y(k)为被控对象实际输出，yn(k)为BP网络的输出。将系统输出y(k)及输入u(k)的值作为神经网络BP的输入，将系统输出与网络输出的误差作为神经网络的调整信号。 图2 BP神经网络逼近的结构 用于逼近的BP网络如图3所示。 图3 用于逼近的BP网络。 BP算法的学习过程由正向传播和反向传播组成。在正向传播过程中，输入信息从输入层经隐层逐层处理，并传向输出层，每层神经元（节点）的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转至反向传播，将误差信号（理想输出与实际输出之差）按联接通路反向计算，由梯度下降法调整各层神经元的权值，使误差信号减小。 （1）前向传播：计算网络的输出。 隐层神经元的输入为所有输入的加权之和： 隐层神经元的输出采用S函数激发： 则 输出层神经元的输出： 取 , 则网络输出与理想输出误差为： 误差性能指标函数为： （2）反向传播：采用δ学习算法，调整各层间的权值。 根据梯度下降法，权值的学习算法如下： 输出层及隐层的连接权值学习算法为： k+1时刻网络的权值为： 隐层及输入层连接权值学习算法为： 其中 k+1时刻网络的权值为： 如果考虑上次权值对本次权值变化的影响，需要加入动量因子 ，此时的权值为： 其中, 为学习速率， 为动量因子。 阵(即为对象的输出对控制输入的灵敏度信息)算法为： 其中取 3、BP网络的优缺点 BP网络的优点为： （1）只要有足够多的隐层和隐层节点，BP网络可以逼近任意的非线性映射关系； （2）BP网络的学习算法属于全局逼近算法，具有较强的泛化能力。 （3）BP网络输入输出之间的关联信息分布地存储在网络的连接权中，个别神经元的损坏只对输入输出关系有较小的影响，因而BP网络具有较好的容错性。 BP网络的主要缺点为： （1）待寻优的参数多，收敛速度慢； （2）目标函数存在多个极值点，按梯度下降法进行学习，很容易陷入局部极小值； （3）难以确定隐层及隐层节点的数目。目前，如何根据特定的问题来确定具体的网络结构尚无很好的方法，仍需根据经验来试凑。 由于BP网络具有很好的逼近非线性映射的能力，该网络在模式识别、图像处理、系统辨识、函数拟合、优化计算、最优预测和自适应控制等领域有着较为广泛的应用。 由于BP网络具有很好的逼近特性和泛化能力，可用于神经网络控制器