基于人工神经网络的识别Matlab,基于人工神经网络的系统建模及MATLAB实现

第 20 卷 第 5 期 四川理工学院学报(自然科学版) Vol．20 No．5 JOURNAL OF SICHUAN UNIVERSITY OF 2007年10月 SCIENCE & ENGINEERING(NATURAL SCIENCE EDITION) Oct．2007 文章编号：1673-1549(2007)05-0006-04 基于人工神经网络的系统建模及 MATLAB 实现 匡 胤 1,2 (1. 内江师范学院计算机与信息科学系，四川 内江 641112; 2. 内江师范学院网络应用项目开发重点实验室，四川 内江 641112) 摘 要: 为了提高科研项目评估的客观性和公正性,选用 BP 网络为模型,利用逆向建模技术和MATLAB 实现了“科研项目选题决策综合模糊评估系统”。测试数据表明该系统能较准确地对科研项目作出评估得分。 关键词：人工神经网络；逆向建模；BP 网络；MATLAB 中图分类号：TP183 文献标识码：A 在系统建模、辨识等应用中，对于线性系统，在频域，传递函数矩阵可以很好地表达系统的黑箱式输入/输出模型；在时域，利用自回归滑动平均模型通过各种参数估计方法，也可以给出系统输入/输出的描述，从而比较完美的解决了线性系统的辨识问题。但对于非线性系统，一般采用非线性自回归滑动平均模型进行辨识。但是，很难为这种模型找到一个恰当的参数估计方法。因此，传统的非线性系统的辨识，在理论研究和实际应用方面都存在一定的困难。 相比之下，神经网络在这方面显示出了明显的优越性。由于神经网络具有通过学习逼近任意非线性映射的能力，将神经网络应用于非线性系统的建模与辨识中，可以不受非线性模型的限制，便于给出工程上易于实现的学习算法[1]。 在系统建模与应用中，静态多层前向神经网络具有逼近任意非线性映射的能力，是目前应用最为广泛的网络模型之一。利用静态多层前向神经网络建立系统的输入/输出模型，本质上就是基于网络逼近能力，通过学习获知系统差分方程中的位置非线性函数。 1 基于人工神经网络的建模技术 1.1 正向建模 正向建模是指训练一个神经网络表达系统正向动态的过程，这一过程建立的神经网络模型称为正向模型。在正向模型的结构中，神经网络与待辨识的系统并联，两者的输出误差用做网络的训练信号。显然，这是一个典型的有教师学习问题。实际系统作为教师，向神经网络提供算法所需的期望输出。当系统是被控对象或传统控制器时，神经网络一般采用多层前向网络的形式，可直接选用 BP 网络或它的各种变形。而当系统为性能评价器时，则可选择再励学习算法，这时既可以采用具有全局逼近能力的网络，如多层感知器，也可选用具有局部逼近能力的网络，如小脑模型关节控制器等[2]。 1.2 逆向建模 建立动态系统的逆模型，在神经网络控制中起着关键作用，并且得到了非常广泛的应用。其中比较简单的是直接逆建模法。 直接逆建模也称为广义逆学习。从原理上说，这是一种最简单的方法。拟辨识的系统输出作为网络的输入，网络输出与系统输入比较，相应的输入误差用于训练，因此网络将通过学习建立系统的逆模型。 收稿日期：2007-04-02 基金项目：四川省教育厅自然科学类重点项目(2004A176)；四川省教育厅青年基金资助项目(2005B043) 作者简介：匡 胤(1974-)，男，四川内江人，讲师，硕士，主要从事人工智能方面的研究。 第20 卷 第5期 匡 胤：基于人工神经网络的系统建模及 MATLAB 实现 7 但是如果所辨识的非线性系统是不可逆的，利用上述方法，将得到一个不正确的逆模型。因此，在建立系统逆模型时，