第三章 神经网络控制及应用(辨识与控制).ppt

3.2 神经网络系统辨识 系统辨识（Identification）的主要应用： 控制系统的分析和设计 用于自校正、模型参考自适应系统 预测和预报 监视系统运行状态，进行故障诊断 在选取样本时，两组不同工况下的数据中的炉膛温度都进行线性化处理，工况1、2分别以炉温达850℃和880℃时取样的加热数据。 P=[0.2286 0.1292 0.072 0.1592 0.1335 0.0733 0.1159 0.094 0.0522 0.1345 0.009 0.126 0.3619 0.069 0.1828; 0.209 0.0947 0.1393 0.1387 0.2558 0.09 0.0771 0.0882 0.0393 0.143 0.0126 0.167 0.245 0.0508 0.1328; 0.0442 0.088 0.1147 0.0508 0.1328 0.115 0.1453 0.0429 0.1818 0.0378 0.0092 0.2251 0.1516 0.0858 0.067; 0.2603 0.1715 0.0702 0.2711 0.1491 0.133 0.0968 0.1911 0.2545 0.0871 0.006 0.1793 0.1002 0.0789 0.0909; 0.369 0.2222 0.0562 0.5157 0.1872 0.1614 0.1425 0.1506 0.1310 0.05 0.0078 0.0348 0.0451 0.0707 0.088; 0.0359 0.1149 0.123 0.546 0.1977 0.1248 0.0624 0.0832 0.164 0.1002 0.0059 0.1503 0.1837 0.1295 0.07; 0.1759 0.2347 0.1829 0.1811 0.2922 0.0655 0.0774 0.2273 0.2056 0.0925 0.0078 0.1852 0.3501 0.168 0.2668; 0.0724 0.1909 0.134 0.2409 0.2842 0.045 0.0824 0.1064 0.1909 0.1586 0.0116 0.1698 0.3644 0.2718 0.2494; 0.2634 0.2258 0.1165 0.1154 0.1074 0.0657 0.061 0.2623 0.2588 0.1155 0.005 0.0978 0.1511 0.2273 0.322]; T=[1 0 0;1 0 0;1 0 0;0 1 0;0 1 0;0 1 0;0 0 1;0 0 1;0 0 1]; threshold=[0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1]; net=newff(threshold,[31,3],{tansig,logsig},trainlm); net.trainParam.epochs=50; net.trainParam.goal=0.001; LP.lr=0.1; net=train(net,P,T); %测试数据 test=[0.2593 0.18 0.0711 0.2801 0.1501 0.1298 0.1001 0.1891 0.2531 0.0875 0.0058 0.1803 0.0992 0.0802 0.1002; 0.2101 0.095 0.1298 0.1359 0.2601 0.1001 0.0753 0.089 0.0389 0.1451 0.0128 0.159 0.2452 0.0512 0.1319; 0.2599 0.2235 0.1201 0.1171 0.1102 0.0683 0.0621 0.2597 0.2602 0.1167 0.0048 0.1002 0.1521 0.2281 0.3205]; y=sim(net,test) TRAINLM-calcjx, Epoch 0/50, MSE 0.29517/0.001, Gradient 0.29501/1e-010 TRAINLM-calcjx, Epoch 5/50, MSE 0.000163395/0.001, Gradient 0.000683316/1e-010 TRAINLM, Performance goal met. y = 0.0028 0.9907 0.0101 0.9565 0.0217 0.0061 0.0242 0.00