BP神经网络（检测故障的实例）

BP神经网络的运用 

输入p=[-1 -1 2 2 ;0 5 0 5];

t=[-1 -1 2 2];

 然后生成与输入输出对应的神经网络

net=newff(minmax(p),[3 1],{'tansing','perelin'},'traingd');

接下来设定网络参数

net.p=trainParam.lr=0.05;  学习速率

net.trainParam.epochs=300;    迭代次数

net.trainParam.goal=1.0e-5;            误差最大值

[net tr]=train(net,p,t)   对神经网络进行训练

对值进行预测

y=sim(net,p)

1\traingd  表示训练方法  就是用什么方法迭代权值和偏置

2\改善的方法 ：有动量的梯度下降法                         traingdm

3|可变学习速率的梯度下降法    traingda

4\弹性梯度下降法              trainrp

常用的传递函数是   logsig        tansig          purelin

 BP神经网络  函数的逼近、

<span style="font-size:18px;"><span style="font-size:18px;">k=1;
p=[0:0.05:4];t=sin(k*pi*p);
plot(p,t,'-');
xlabel('时间‘）；ylabel('输入信号’）；
net=newff(minmax(p),[10 1],{'tansig','purelin'}，‘trainlm');
y1=sim(net,p);
plot(p,t,'-','p,y1,'--');
</span></span>

如果效果不好  可以对神经网络进行训练、

net.trainParam.ir=0.05;

net.trainParam.epochs=300;

net.trainParam.goal=1.0e-5;

[net tr]=train(net,p,t);

回归问题       由于神经网络可以对任意形状的函数曲线进行拟合，所以BP神经网络可以进行回归

可以用于识别   

BP神经网络对故障的检测：

<span style="font-size:18px;">P11=[0.64	1.37	0.71	0.78]';
P12=[0.68	1.31	0.64	1.31]';
P21=[1.65	1.66	0.9	    4.48]';
P22=[1.35	1.39	0.95	2.89]';
P31=[8.24	2.23	0.99	2]';
P41=[2.01	1.65	0.94	4.39]';
P51=[0.93	1.33	0.73	1.54]';
P=[P11 P12 P21 P22 P31 P41 P51];

t11=[0 0 0 0]';
t12=[0 0 0 0]';
t21=[1 0 0 0]';
t22=[1 0 0 0]';
t31=[0 1 0 0]';
t41=[0 0 1 0]';
t51=[0 0 0 1]';
t=[t11 t12 t21 t22 t31 t41 t51];

net=newff(minmax(P),[8,4],{'logsig','purelin'},'trainlm'),
net.trainParam.show = 100,
net.trainParam.epoch = 2000,
net.trainParam.goal= 1e-3,
[net,tr]=train(net,P,t),


Ptest11=[0.64	1.37	0.71	0.78]';
Ptest12=[0.68	1.31	0.64	1.31]';
Ptest13=[0.91	1.35	0.75	1.59]';
Ptest14=[0.69	1.38	0.68	0.9]';
Ptest21=[3.89	2.01	0.88	20.1]';
Ptest22=[1.65	1.66	0.9	    4.48]';
Ptest23=[1.35	1.39	0.95	2.89]';
Ptest31=[8.24	2.23	0.99	2]';
Ptest41=[2.01	1.65	0.94	4.39]';
Ptest51=[0.93	1.33	0.73	1.54]';
Ptest=[Ptest11 Ptest12 Ptest13 Ptest14 Ptest21 Ptest22 Ptest23 Ptest31 Ptest41 Ptest51];

result_test = sim(net, Ptest)'
</span>