BP神经网络Simulink模型设计 神经网络控制课件(第三版)
合集下载
《Simulink与控制系统仿真(第3版)》的课件 线性系统状态空间分析和非线性系统分析
通过本章，读者能了解非线性系统的发展概况、非线性 系统的数学描述和特性、非线性系统的研究方法和特点 ，掌握非线性系统分析和设计的基本概念和方法以及利 用MATLAB/Simulink对非线性系统进行分析。
11.2 非线性系统概述
含有非线性元件或环节的系统称为非线性系统。非线性特性包括 许多类型，典型的静态非线性特性包括死区非线性、饱和非线性、 间隙非线性和继电非线性。
采用MATLAB绘制相轨迹图
绘制相轨迹图的实质是求解微分方程的解。求解微分方程数 值解的算法有多种，MATLAB提供了求解微分方程的函数组， 常用的有ode45，它采用的计算方法是变步长的龙格-库塔4/5 阶算法。 ode45()常用的调用格式如下： [t, y]=ode45(odefun, tspan, y0) 在用户自己编写的MATLAB函数中既可以描述线性系统特性， 也可以描述非线性系统特性。
Relay：继电非线性； Saturation：饱和非线性； Saturation Dynamic：动态饱和非 线性；
Wrap To Zero：环零非线性。
11.3 相平面法
应用相平面法分析一阶尤其是二阶非线性控制系统，弄清非线性系统的稳定 性、稳定域等基本属性以及解释极限环等特殊现象，具有非常直观形象的效 果。 由于绘制二维以上的相轨迹十分困难，因此相平面法对于二阶以上的系统几 乎无能为力，这是相平面法的局限。
11.2.3 Simulink中的非线性模块
Backlash：间隙非线性； Coulomb&Viscous Friction：库仑 和黏度摩擦非线性；
Dead Zone：死区非线性； Dead Zone Dynamic：动态死区 非线性；
Hit Crossing：冲击非线性； Quantizer：量化非线性； Rate Limiter：比例限制非线性； Rate Limiter Dynamic：动态比例 限制非线性；
11.2 非线性系统概述
含有非线性元件或环节的系统称为非线性系统。非线性特性包括 许多类型，典型的静态非线性特性包括死区非线性、饱和非线性、 间隙非线性和继电非线性。
采用MATLAB绘制相轨迹图
绘制相轨迹图的实质是求解微分方程的解。求解微分方程数 值解的算法有多种，MATLAB提供了求解微分方程的函数组， 常用的有ode45，它采用的计算方法是变步长的龙格-库塔4/5 阶算法。 ode45()常用的调用格式如下： [t, y]=ode45(odefun, tspan, y0) 在用户自己编写的MATLAB函数中既可以描述线性系统特性， 也可以描述非线性系统特性。
Relay：继电非线性； Saturation：饱和非线性； Saturation Dynamic：动态饱和非 线性；
Wrap To Zero：环零非线性。
11.3 相平面法
应用相平面法分析一阶尤其是二阶非线性控制系统，弄清非线性系统的稳定 性、稳定域等基本属性以及解释极限环等特殊现象，具有非常直观形象的效 果。 由于绘制二维以上的相轨迹十分困难，因此相平面法对于二阶以上的系统几 乎无能为力，这是相平面法的局限。
11.2.3 Simulink中的非线性模块
Backlash：间隙非线性； Coulomb&Viscous Friction：库仑 和黏度摩擦非线性；
Dead Zone：死区非线性； Dead Zone Dynamic：动态死区 非线性；
Hit Crossing：冲击非线性； Quantizer：量化非线性； Rate Limiter：比例限制非线性； Rate Limiter Dynamic：动态比例 限制非线性；
《BP神经网络》演示PPT
第13页
14
神经网络控制
第1页
神经网络控制
什么是人工神经网络？ T.Koholen的定义：“人工神经网络是由 具有适应性的简 单单元组成的广泛并行互连的网络，它的组织能够模拟生 物神经系统对真实世界物体所作出的交互反应。”
第2页
神经网络控制
神经元模型
神经网络模型是由大量的处理单元（神经元）互相连接而 成的网络。神经元一般表现为一个多输入、单输出的非线 性器件，通用的结构模型如图所示。
输出单元的修正增量：
p jk pk ypj
对于与输出层相邻的隐层中的神经元j 和该隐层前低一层 中的神经元i ：
pj y pj (1 y pj ) pk w jk
k
Δ p wij pj y pj
输出层中神经元输出的误差反向传播到前面各层，对各 层之间的权值进行修正。
第12页
谢谢
E p
w jk
其中， E p E p netk
w jk
netk w jk
由 netk wjk y j 式得到：
j
netk w jk w jk
w jk y pj y pj
j
第11页
BP神经网络
令 pk E p netk ， 可得
输出单元的误差：
pk (d pk y pk ) y pk (1 y pk )
对输入模式Xp，若输出层中第k个神经元的期望输出为 dpk，实际输出为ypk。输出层的输出方差 ：
E p
1 2
k
(d pk y pk )2
第10页
BP神经网络
若输入N个模式，网络的系统均方差为：
E 1 2N
p
k
(d pk
y pk )2
14
神经网络控制
第1页
神经网络控制
什么是人工神经网络？ T.Koholen的定义：“人工神经网络是由 具有适应性的简 单单元组成的广泛并行互连的网络，它的组织能够模拟生 物神经系统对真实世界物体所作出的交互反应。”
第2页
神经网络控制
神经元模型
神经网络模型是由大量的处理单元（神经元）互相连接而 成的网络。神经元一般表现为一个多输入、单输出的非线 性器件，通用的结构模型如图所示。
输出单元的修正增量：
p jk pk ypj
对于与输出层相邻的隐层中的神经元j 和该隐层前低一层 中的神经元i ：
pj y pj (1 y pj ) pk w jk
k
Δ p wij pj y pj
输出层中神经元输出的误差反向传播到前面各层，对各 层之间的权值进行修正。
第12页
谢谢
E p
w jk
其中， E p E p netk
w jk
netk w jk
由 netk wjk y j 式得到：
j
netk w jk w jk
w jk y pj y pj
j
第11页
BP神经网络
令 pk E p netk ， 可得
输出单元的误差：
pk (d pk y pk ) y pk (1 y pk )
对输入模式Xp，若输出层中第k个神经元的期望输出为 dpk，实际输出为ypk。输出层的输出方差 ：
E p
1 2
k
(d pk y pk )2
第10页
BP神经网络
若输入N个模式，网络的系统均方差为：
E 1 2N
p
k
(d pk
y pk )2
第3章基于Simulink的神经网络 ppt课件
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3-2 传输函数模块库窗口
ppt课件
4
2. 网络输入模块库(Net Input Functions) 用鼠标的左键双击Net Input Functions模块库的图标，
便可打开如图3-3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
gensim(net,st ) 其中 第一个参数指定了MATLAB工作空间中需要 生成模块化描述的网络，第二个参数指定了采样 时间，它通常情况下为一正数。如果网络没有与 输入权值或者层中权值相关的延迟，则指定第二 个参数为-1，那么函数gensim( )将生成一个连续采 样的网络。
ppt课件
8
例3-1 设计一个线性网络，并生成其模块化描述。 定义网络的输入为：X=[1 2 3 4 5]，相应的目标为： T=[1 3 5 7 9]。 解 实现以上任务的MATLAB命令为：
ppt课件
18
1)．问题的描述
要讨论的问题基于 一个搅拌器（CSTR）， 如图3-14所示。
图3-14 搅拌器
对于这个系统，其动力学模型为：
dh(t) dt
w1 (t)
w2
(t)
0.2
h(t)
dCb (t) dt
(Cb1
Cb
(t))
w1 (t) h(t)Leabharlann (Cb2Cb
(t))
w2 (t) h(t)
图3-13描述了模型预测控制的过程。控制器由神 经网络模型和最优化方块组成，最优化方块确定u （通过最小化J），最优u值作为神经网络模型的输 入，控制器方块可用Simulink实现。
图3-2 传输函数模块库窗口
ppt课件
4
2. 网络输入模块库(Net Input Functions) 用鼠标的左键双击Net Input Functions模块库的图标，
便可打开如图3-3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
gensim(net,st ) 其中 第一个参数指定了MATLAB工作空间中需要 生成模块化描述的网络，第二个参数指定了采样 时间，它通常情况下为一正数。如果网络没有与 输入权值或者层中权值相关的延迟，则指定第二 个参数为-1，那么函数gensim( )将生成一个连续采 样的网络。
ppt课件
8
例3-1 设计一个线性网络，并生成其模块化描述。 定义网络的输入为：X=[1 2 3 4 5]，相应的目标为： T=[1 3 5 7 9]。 解 实现以上任务的MATLAB命令为：
ppt课件
18
1)．问题的描述
要讨论的问题基于 一个搅拌器（CSTR）， 如图3-14所示。
图3-14 搅拌器
对于这个系统，其动力学模型为：
dh(t) dt
w1 (t)
w2
(t)
0.2
h(t)
dCb (t) dt
(Cb1
Cb
(t))
w1 (t) h(t)Leabharlann (Cb2Cb
(t))
w2 (t) h(t)
图3-13描述了模型预测控制的过程。控制器由神 经网络模型和最优化方块组成，最优化方块确定u （通过最小化J），最优u值作为神经网络模型的输 入，控制器方块可用Simulink实现。
第四章 根轨迹法 matlab simulink与控制系统仿真 第三版 课件
分支数＝开环极点数 ＝开环特征方程的阶数
二、根轨迹对称于实轴
闭环极点为 实数→在实轴上 复数→共轭→对称于实轴
返回子目录
28
三、根轨迹的起点与终点
起于开环极点，终于开环零点。
由根轨迹方程有：
m
i 1 n
(s (s
zi ) pi)
1 K*
i1
29
起点 K* 0 → spi 0→ s pi
终点 K* → szi 0 → s zi
n
1
m
1
i1 dpi j1 dzj
z 式中： j 为各开环零点的数值；
p i 为各开环极点的数值。
50
例4－6
•已知系统的开环传递函数
G(s)H(s) K*(s1) s23s3.25
试求闭环系统的根轨迹分离点坐标d，并概 略绘制出根轨迹图。
51
解：根据系统开环传递函数求出开环极点
p 1 1 .5j1 ,p 2 1 .5j1
• 在实际应用中，用相角方程绘制根轨迹， 而模值方程主要用来确定已知根轨迹上某一点
的 K * 值。
20
例4-1
已知系统的开环传递函数 G (s)H (s)2K/(s2)2
试证明复平面上点 s1 2j4 ,s2 2j4 是该系统的闭环极点。
证明： 该系统的开环极点 p1 2, p2 2
若系统闭环极点为 s1 , s2
分离角计算公式
d1 l[2 (k1)π jm 1
n
dzj dsi]
il1
（4-45）
56
式中：
d 为分离点坐标；
z j为开环零点； si为当 kkd时，l除 个重极点外 其他 nl个非重根。
所谓会合角是指根轨迹进入重极点处 的切线与实轴正方向的夹角。
二、根轨迹对称于实轴
闭环极点为 实数→在实轴上 复数→共轭→对称于实轴
返回子目录
28
三、根轨迹的起点与终点
起于开环极点，终于开环零点。
由根轨迹方程有：
m
i 1 n
(s (s
zi ) pi)
1 K*
i1
29
起点 K* 0 → spi 0→ s pi
终点 K* → szi 0 → s zi
n
1
m
1
i1 dpi j1 dzj
z 式中： j 为各开环零点的数值；
p i 为各开环极点的数值。
50
例4－6
•已知系统的开环传递函数
G(s)H(s) K*(s1) s23s3.25
试求闭环系统的根轨迹分离点坐标d，并概 略绘制出根轨迹图。
51
解：根据系统开环传递函数求出开环极点
p 1 1 .5j1 ,p 2 1 .5j1
• 在实际应用中，用相角方程绘制根轨迹， 而模值方程主要用来确定已知根轨迹上某一点
的 K * 值。
20
例4-1
已知系统的开环传递函数 G (s)H (s)2K/(s2)2
试证明复平面上点 s1 2j4 ,s2 2j4 是该系统的闭环极点。
证明： 该系统的开环极点 p1 2, p2 2
若系统闭环极点为 s1 , s2
分离角计算公式
d1 l[2 (k1)π jm 1
n
dzj dsi]
il1
（4-45）
56
式中：
d 为分离点坐标；
z j为开环零点； si为当 kkd时，l除 个重极点外 其他 nl个非重根。
所谓会合角是指根轨迹进入重极点处 的切线与实轴正方向的夹角。
BP神经网络PPTppt课件
B .非 线 性 斜 面 函 数 (R am p F unction)：
b
f
net
k
net
b
net net net
b 0为 常 数 ， 称 饱 和 值 ， 是 该 神 经 单 元 的 最 大 输 出 ；
输出函数值限制在 b,b范围内。
可编辑课件PPT
13
C(.2符) 号输出函函数数f
k 1,..., c
隐含层单元 可表达更为复杂的非线性函数
激活函数 不一定为符号函数 常要求激活函数是连续可微的
输出层与隐含层的激活函数可以不同，并且输出层
各单元的激活函数可有所区别
可编辑课件PPT
26
2 多层网络的表达能力
按照Kolmogorov定理,任何一个判决均可用 前式所示的三层神经网络实现。
理
解
为
函
数
逼
近
回 归
状
态
预
测
可 应 用 到 众 多 领 域 ,如 ：
优化计算；信号处理；智能控制；
模式识别；机器视觉；等等。
可编辑课件PPT
18
主要内容
• 人工神经网络基本知识 二. 前馈神经网络、多层感知器、及非线性分类
三. BP神经网络 四. 数据处理及神经网络结 构的选择 五. 应用
可编辑课件PPT
将可能的无线域变换到指定的有限范围输出。
单 调 增 函 数 ， 通 常 为 "非 线 性 函 数 "
网 络 输 入
net W
x
n
ixi
i 1
--神 经 元 的 输 入 兴 奋 总 量 是 多 个 输 入 的 代 数 和
其
中
BP神经网络模型PPT课件
激活函数: f()
误差函数：e
1 2
q o1
(do (k )
yoo (k ))2
BP网络的标准学习算法
第一步，网络初始化 给各连接权值分别赋一个区间（-1，1） 内的随机数，设定误差函数e，给定计 算精度值 和最大学习次数M。
第二步,随机选取第 k个输入样本及对应 期望输出
修正各单元权 值
误差的反向传播
BP网络的标准学习算法-学习过程
正向传播：
输入样本－－－输入层－－－各隐层－－－输出层
判断是否转入反向传播阶段：
若输出层的实际输出与期望的输出（教师信号）不 符
误差反传
误差以某种形式在各层表示－－－－修正各层单元 的权值
网络输出的误差减少到可接受的程度 进行到预先设定的学习次数为止
x(k) x1(k), x2(k), , xn(k)
do (k) d1(k),d2(k), ,dq(k)
BP网络的标准学习算法
第三步，计算隐含层各神经元的输入和
输出
n
hih (k ) wih xi (k ) bh
i 1
h 1, 2, , p
hoh (k) f(hih (k)) h 1, 2, , p
f(
yio (k)))2)
hoh (k)
hoh (k)
hih (k)
( 1 2
q
((do (k)
o1
p
f(
h1
whohoh (k)
bo )2 ))
hoh (k)
hoh (k)
hih (k)
q o1
(do (k )
BP神经网络PPT
Hopfield网络
3 竞争学习网络 competitive learning network
SOM 神经网络
神经网络特点 自学习
自适应
并行处理
分布表达与计算
神经网络应用
神经网络本质上，可以理解为函数逼近
回归 状态预测
可应用到众多领域,如：
优化计算；信号处理；智能控制；
模式识别；机器视觉；等等。
BP算法训练过程描述
5 假定：第l层为当前处理层；
其前一层l 1、当前层l、后一层l 1的计算单元序号为i, j,k；
位于当前层第j个计算单元的输出为Olj，j 1,..., nl
前层第i个单元到本层第j个单元的连接权值为ilj , i 1,..., nl1
本层第j个单元到后层第k个单元的连接权值为
定信号传递强弱); 结点计算特性(激活特性, 神经元的输入 输出特性);甚至网络结构等， 可依某种规则随外部数据 进行适当调整，最终实现某种功能。
神经网络的计算通过网络结构实现； 不同网络结构可以体现各种不同的功能； 网络结构的参数是通过学习逐渐修正的。
(1)基本的人工神经元模型
McCulloch-Pitts神经元模型 输入信号；链接强度与权向量； 信号累积 激活与抑制
其中
输出 y f (net)
- -单输出(标量)
--执行该神经元所获得的网络输入的变换
(1) 基本的人工神经元模型
若带偏置量，则有
net W
n
p b i pi b
i 1
y f (net)
- -单输出(标量)
(2(2))几输种出常函见数形f 式的传递函数(激活函数)
A.线性函数 f net = k net + c
BP神经网络原理ppt课件
精选ppt课件
6
（3）输入和输出神经元的确定
利用多元回归分析法对神经网络的输入参数 进行处理，删除相关性强的输入参数，来减 少输入节点数。
（4）算法优化
由于BP算法采用的是剃度下降法，因而易陷 于局部最小并且训练时间较长。用基于生物 免疫机制地既能全局搜索又能避免未成熟收 敛的免疫遗传算法IGA取代传统BP算法来克 服此缺点。
精选ppt课件
13
(2)学习率对收敛速度的影响 学习率的设置对BP算法的收敛性有很大的影响。
学习率过小,误差波动小,但学习速度慢,往往由于训 练时间的限制而得不到满意解;学习率过大,学习速度 加快,会引起网络出现摆动现象,导致不收敛的危险。 因此,选择一个合适的学习率是B P算法的一个较关 键的问题。学习率的主要作用是调整权值、阈值的 修正量. (3)隐层层数的选择对收敛速度的影响
精选ppt课件
12
BP神经网络收敛速度
阈值、学习率、隐层层数、隐层节点个数等对神 经网络的学习速度(收敛速度)都有较大的影响。本 文在BP网络的基础上,研究讨论了各个参数对收敛 速度的影响,以减小选取网络结构和决定各参数值的 盲目性,达到提高收敛速度的目的。
(1)初始权值和阈值对收敛速度的影响 初始权值和阈值要选得小一些。选择隐层节点数的 原则是尽量使网络结构简单,运算量小。从实验数据 分析可知:当节点数太少时,每个节点负担过重,迭代 而有的选择却要迭代几千次,或者更多,甚至不收敛。
精选ppt课件
11
BP神经网络理论应用于系统安全评价中的优点
（1）利用神经网络并行结构和并行处理的特征，通 过适当选择评价项目，能克服安全评价的片面性， 可以全面评价系统的安全状况和多因数共同作用下 的安全状态。 （2）运用神经网络知识存储和自适应特征，通过适 应补充学习样本，可以实现历史经验与新知识完满 结合，在发展过程中动态地评价系统的安全状态。 （3）利用神经网络理论的容错特征，通过选取适当 的作用函数和数据结构，可以处理各种非数值性指 标，实现对系统安全状态的模糊评价。
BP神经网络 PPT课件
对比图 • legend（‘网络输出客运量’，‘实际客运量‘）； • xlabel（‘年份’）；ylabel（‘客运量/万人’）； • title（‘运用工具箱货运量学习和测试对比图’）；%利用训练
好的网络进行预测
• （6）利用训练好的BP网络对新数据进行仿真，具体程序为
• %利用训练好的网络进行预测 • %当用训练好的网络对新数据pnew进行预测时，也应作相应的
9145
0.20
10460
0.23
11387
0.23
12353
0.32
15750
0.32
18304
0.34
19836
0.36
21024
0.36
19490
0.38
20433
0.49
22598
0.56
25107
0.59
33442
0.59
36836
0.67
40548
0.69
42927
0.79
43462
公路货运量/万吨
• sqrs = [20.55 22.44 25.37 27.13 29.45 30.1 30.96 34.06 36.42 38.09 39.13 39.99 41.93 44.59 47.3 52.89 55.73 56.76 59.17 60.63]
• %机动车数（单位：万辆）
• Sqjdcs = [0.6 0.75 0.85 0.9 1.05 1.35 1.45 1.6 1.7 1.85 2.15 2.2 2.25 2.35 2.5 2.6 2.7 2.85 2.95 3.1]
5、BP神经网络的优缺点
优点：
•非线性映照能力：神经网络能以任意精度逼近任何非线性连续函 数。在建模过程中的许多问题正是具有高度的非线性。 •并行分布处理方式：在神经网络中信息是分布储存和并行处理的， 这使它具有很强的容错性和很快的处理速度。 •自学习和自适应能力：神经网络在训练时，能从输入、输出的数 据中提取出规律性的知识，记忆于网络的权值中，并具有泛化能 力，即将这组权值应用于一般情形的能力。 •数据融合的能力：神经网络可以同时处理定量信息和定性信息， 因此它可以利用数值运算和人工智能技术（符号处理）。 •多变量系统：神经网络的输入和输出变量的数目是任意的，对单 变量系统与多变量系统提供了一种通用的描述方式，不必考虑各 子系统间的解耦问题。
好的网络进行预测
• （6）利用训练好的BP网络对新数据进行仿真，具体程序为
• %利用训练好的网络进行预测 • %当用训练好的网络对新数据pnew进行预测时，也应作相应的
9145
0.20
10460
0.23
11387
0.23
12353
0.32
15750
0.32
18304
0.34
19836
0.36
21024
0.36
19490
0.38
20433
0.49
22598
0.56
25107
0.59
33442
0.59
36836
0.67
40548
0.69
42927
0.79
43462
公路货运量/万吨
• sqrs = [20.55 22.44 25.37 27.13 29.45 30.1 30.96 34.06 36.42 38.09 39.13 39.99 41.93 44.59 47.3 52.89 55.73 56.76 59.17 60.63]
• %机动车数（单位：万辆）
• Sqjdcs = [0.6 0.75 0.85 0.9 1.05 1.35 1.45 1.6 1.7 1.85 2.15 2.2 2.25 2.35 2.5 2.6 2.7 2.85 2.95 3.1]
5、BP神经网络的优缺点
优点：
•非线性映照能力：神经网络能以任意精度逼近任何非线性连续函 数。在建模过程中的许多问题正是具有高度的非线性。 •并行分布处理方式：在神经网络中信息是分布储存和并行处理的， 这使它具有很强的容错性和很快的处理速度。 •自学习和自适应能力：神经网络在训练时，能从输入、输出的数 据中提取出规律性的知识，记忆于网络的权值中，并具有泛化能 力，即将这组权值应用于一般情形的能力。 •数据融合的能力：神经网络可以同时处理定量信息和定性信息， 因此它可以利用数值运算和人工智能技术（符号处理）。 •多变量系统：神经网络的输入和输出变量的数目是任意的，对单 变量系统与多变量系统提供了一种通用的描述方式，不必考虑各 子系统间的解耦问题。
数学建模之BP神经网络ppt课件
单 纯 型 层 次 型 结 构
.
14
Ø 按网络连接的拓扑结构分类：
Ø 互连型网络结构：网络中任意两个节点之 间都可能存在连接路径
局 部 互 连 型
.
15
人工神经网络的分类(C.)
Ø 按网络内部的信息流向分类：
Ø 前馈型网络：网络信息处理的方向是从输入层到各 隐层再到输出层逐层进行
前 馈 型 网 络
Ø 它是有指导训练的前馈多层网络训练算法，是靠调 节各层的权值，使网络学会由输入输出对组成的训 练组。其核心思想是将输出误差以某种形式通过隐 含层向输入层逐层反传，即：信号正向传播；误差 反向传播
Ø 执行优化的方法是梯度下降法
Ø 最常用的激活函数是Sigmoid函数
f
(x) .
1 1ex
21
Ø BP算法
PF：性能函数，默认函数为mse函数。
.
28
具体算法如下：
%%清空环境变量 clc clear %%输入样本数据 p1=[1.24,1.27;1.36,1.74;1.38,1.64;1.38,1.82;1.38,1.90; 1.40,1.70;1.48,1.82;1.54,1.82;1.56,2.08]; %Af p2=[1.14,1.82;1.18,1.96;1.20,1.86; 1.26,2.00;1.28,2.00;1.30,1.96]; %Apf p=[p1;p2]'; pr=minmax(p); %输入向量的最小值和最大值 %%输出样本数据 goal=[ones(1,9),zeros(1,6);zeros(1,9),ones(1,6)]; %%绘图 plot(p1(:,1),p1(:,2),'h',p2(:,1),p2(:,2),'o')
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第一个值没完全显示
第一个值完全显示
隐层阈值 10
BP神经网络Simulink模型设计
Simulink模型仿真
分别点击 网络输出层结构
11
BP神经网络Simulink模型设计
Simulink模型仿真
第一个值没完全显示
第一个值完全显示
输出层权值 12
BP神经网络Simulink模型设计
Simulink模型仿真
例 2-11-2MS BP神经网络 Simulink模型设计
1
BP神经网络Simulink模型设计
应用函数 Gensim( ) ： 将例2-5-3M BP网络生成Simulink模型的网络
2
BP神经网络Simulink模型设计
Matlab程序:ms2b2.m
3
BP神经网络Simulink模型设计
输出层阈值 13
BP神经网络Simulink模型设计
思考与练习
画出设计的BP网络的结构
14
结束
15
Simulink模型仿真
点击
6
BP神经网络Simulink模型设计
Simulink模型仿真
点击
网络隐层结构
7
BP神经网络Simulink模型设计
Simulink模型仿真
分别点击
8
BP神经网络Simulink模型设计
Simulink模型仿真
隐层权值 9
BP神经网络Simulink模型设计
Simulink模型仿真