《神经模糊预测控制及其MATLAB实现》 第5版 课件 第2章MATLAB神经网络和深度学习工具箱.ppt

在图2-97图中，单击【Next】按钮后，会出现导入数据的对话框，如图2-98所示。由导入数据对话框图2-98可知，从MATLAB的Workspace窗口导入的数据分为输入数据(InputData)和目标数据(TargetData)两类。如导入数据不在[-1,1]之间，自动将其归一化到[-1,1]之间。这些数据可以在MATLAB窗口，利用以下命令产生。X=0:0.01:2*pi;T=3*sin(X);选定输入数据和目标数据，如X和T，单击【Next】按钮后，可以看到选取的确认数据和测试数据的对话框，如图2-99所示。由图2-99可知，整个数据集分为训练集(Training)、确认集(Validation)和测试集(Testing)，它们分别占整个数据的60%，20%和20%。通过改变确认集和测试集所占的比例，便可重新调整它们与训练集所占整个数据的比例。其中训练集是用来训练神经网络的，目的是为了让网络对训练样本进行学习。确认集也是用来网络训练的，但是它的目的是为了确认在训练过程中，网络泛化能力是不是在不断提高。一旦发现经过训练以后，网络的泛化能力没有提高，则停止训练。测试集则和训练无关，只是为了测试已经训练好的网络的性能。选定训练集、确认集和测试集的比例后，单击【Next】按钮后，可以得到用来调整拟合的神经网络结构，如图2-100所示。例2-39利用神经网络拟合工具，训练一神经网络用来拟合正弦曲线。解①首先在MATLAB窗口，利用以下命令来产生一组用来训练网络的输入数据X和目标输出数据T。X=0:0.01:2*pi;T=5*sin(X);②然后启动神经网络拟合工具（NeuralNetworkFittingTool），利用输入数据X和目标输出数据T，根据以上步骤来训练神经网络，并将训练好的网络、输出和误差分别以net,y和error命名保存到MATLAB工作空间。③最后在MATLAB窗口，利用以下命令可得到网络的目标输出T、实际输出y和误差error曲线，如图2-105所示。plot(X,T,or,X,y,-k,X,error)网络的实际输出y也可利用以下MATLAB命令得到，它与以上的结果完全相同。y=sim(net,X)2.3基于Simulink的神经网络模块神经网络工具箱中提供了一套可在Simulink中用来建立神经网络的模块，对于在MATLAB工作空间中建立的网络，也能够使用函数gensim()生成一个相应的Simulink网络模块。2.3.1模块的设置在Simulink库浏览窗口的NeuralNetworkBlockset节点上，通过单击鼠标右键后，便可打开如图2-106所示的NeuralNetworkBlockset模块集窗口。

图2-106NeuralNetworkBlockset模块集在NeuralNetworkBlockset模块集中包含了四个模块库，用鼠标的左键双击各个模块库的图标，便可打开相应的模块库。1.传输函数模块库(TransferFunctions)用鼠标的左键双击TransferFunctions模块库的图标，便可打开如图2-107所示的传输函数模块库窗口。传输函数模块库中的任意一个模块都能够接受一个网络输入向量，并且相应地产生一个输出向量，这个输出向量的组数和输入向量相同。

图2-107传输函数模块库窗口2.网络输入模块库(NetInputFunctions)用鼠标的左键双击NetInputFunctions模块库的图标，便可打开如图2-108所示的网络输入模块库窗口。网络输入模块库中的每一个模块都能够接受任意数目的加权输入向量、加权的层输出向量，以及偏值向量，并且返回一个网络输入向量。图2-108网络输入模块库窗口3.权值模块库(WeightFunctions)用鼠标的左键双击WeightFunctions模块库的图标，便可打开如图2-109所示的权值模块库窗口。权值模块库中的每个模块都以一个神经元权值向量作为输入，并将其与一个输入向量（或者是某一层的输出向量）进行运算，得到神经元的加权输入值。图2-109权值模块库窗口上面的这些模块需要的权值向量必须定义为列向量。这是因为Simulink中的信号可以为列向量，但是不能为矩阵或者行向量。2.1.9Hopfield神经网络工具箱函数Hop