matlab实验shi,【推荐】人工神经网络实验报告（含MATLAB代码）.doc

您所在位置：网站首页 > 海量文档

&nbsp>&nbsp高等教育&nbsp>&nbsp实验设计

【推荐】人工神经网络实验报告(含MATLAB代码).doc11页

本文档一共被下载：次,您可全文免费在线阅读后下载本文档。

下载提示

1.本站不保证该用户上传的文档完整性，不预览、不比对内容而直接下载产生的反悔问题本站不予受理。

2.该文档所得收入(下载+内容+预览三)归上传者、原创者。

3.登录后可充值，立即自动返金币，充值渠道很便利

人工神经网络实验报告

本学期我们对人工神经网络进行了学习，在学习的过程中，我们对什么是神经网络，神经网络的发展史，神经网络的特点和功能以及神经网络的应用领域等多方面知识都有所了解。从开始的对人工神经网络的初步了解到最后模型的建立，我们对人工神经网络的认识不断加深。神经网络作为自动控制及智能控制专业的一个重要分支，掌握一些与其相关的基础知识对今后的学习会有较大的帮助。

具体的人工神经网络中，我们主要学习了单层感知器、标准BP网络、改进型的BP网络、自组织竞争神经网络以及离散型Hopfield网络(即DHNN网络)。其中，我们重点学习了标准型BP网络。在后面的编程训练中，我们也以标准BP网络为模型，设计了一个较为简单的实际型编程问题。

接下来谈谈具体的学习情况：

在学习的过程中，我们首先学习了什么是人工神经网络。这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。神经网络的研究内容相当广泛，反映了多学科交叉技术领域的特点。目前，主要的研究工作集中在以下几个方面：(1)生物原型研究。从生理学、心理学、解剖学、病理学等生物科学方面研究神经细胞、神经网络、神经系统的生物原型结构及其功能机理。(2)建立理论模型。根据生物原型的研究，建立神经元、神经网络的理论模型。其中包括概念模型、知识模型、物理化学模型、数学模型等。(3)网络模型与算法研究。在理论模型研究的基础上构作具体的神经网络模型，以实现计算机模拟或准备制作硬件，包括网络学习算法的研究。这方面的工作也称为技术模型研究。(4)人工神经网络应用系统。在网络模型与算法研究的基础上，利用人工神经网络组成实际的应用系统: BP (Back Propagation)神经网络，以及它的前身感知器、自适应线性单元和标准BP算法的几种改进方法。我们首先认识到前馈神经网络是神经网络中的一种典型的分层结构，信息从输入层进入网络后逐层向前传递至输出层。根据前馈网络中神经元转移函数、隐层数以及权值调整规则的不同，可以形成具有各种功能特点的神经网络。除此之外，还对感知器和一些常用的算法进行了学习，同时也认识到了某些算法的不足之处。这些对于今后神经网络的进一步学习都是良好的基础。

此外，对于SOFM网络和离散型反馈网络DHNN，我们也进行了一些学习，主要侧重于相关网络模型的概念、工作原理和算法实现，但时间所限，学习得并不深入。

通过本课程的学习，我们认识到神经网络技术在各个领域的广泛应用，作为一名自动化专业的学生，我们更应该掌握这门技术，并将其运用到今后的工作当中，用以提高智能控制系统的效率与质量。神经网络同常用的PID控制、模糊控制等经典算法一样，是一门实际应用价值很高的工程类技术实现手段。我们也应该学会对模型的建立、优化、训练，使人工神经网络技术更好的为我们服务。

神经网络编程作业：

我们的题目是：利用BP网络，实现一些简单函数的模拟，包括,等等。输入样本，进行若干次训练，教师信号为期望函数的理想输出值。将每一次训练的输出层输出值与理想值进行比较，并根据结果按照公式对隐层权值矩阵和输出层全职矩阵进行权值调整。进行若干次训练，当达到预设的精度时，停止训练；当一直没有达到预设精度时，在预设训练次数达到时自动停止训练。

为了方便地能够得到程序输出图像，我们选择MATLAB进行编程。同时，为了简化起见，我们考虑只有一个隐层的标准BP网络，由于我们自身能力以及时间所限，我们并未改进BP算法，导致最后的运算结果可能出现较大的偏差，敬请老师谅解。

以下为程序代码：

主函数(main.m)：

clear all

yangben=1:0.1:5;%样本输入值

input=1;%输入层节点

output=1;%输出层节点

yingchengjiedianshu=5;%隐层节点数目

xunliancishu=1500;%最大训练次数

jingdu=0.001;%预设精度

xuexilv=0.005;%学习率

jiaoshixinhao=yangben.^(-1);%期望输出函数

bphanshu(yangben,jiaoshixinhao,xunliancishu,input,yingchengjiedianshu,output,jingdu,xuexilv);

bphanshu(yangben,jiaoshixinhao,2000,2,6,output,0.005,0.02); %更改训练次数、输入层节点数、隐层节点数、预设精度、学习率等参数

jiaoshixinhao=exp(-yangben);%更改期望输出函数

bphanshu(yangben,jiaoshixinhao,xunliancishu,input

发表评论

请自觉遵守互联网相关的政策法规，严禁发布色情、暴力、反动的言论。

用户名:

验证码:

匿名?

发表评论