基于BP神经网络的系统建模辨识与预测仿真matlab程序及仿真结果.doc

%BP神经网络用于系统辨识训练预测程序clear allclc%产生随机序列作为系统输入A=6; x0=1; M=255; f=2; N=60;Q=2*N/3;H=N-Q-1; %初始化for k=1:N x2=A*x0; %分别用x2和x0表示xi和xi-1 x1=mod (x2,M); %x2除以M的余数给x1 v1=x1/256; %x1除以256得到小于1的随机数给v1 if v1-0.5=0 u(:,k)=v1*f-1;%如果随机数v1大于0.5，就乘以系数f减去1，将结 else %果存于U的第k列中 u(:,k)=v1-1; %不满足条件的运算结果存于矩阵U中 end x0=x1;%xi-1=xi v0=v1;%vi-1=viendz=zeros(1,N); %输出长度v=rand(1,N); %随机噪声for k=3:N z(k)=1.5*z(k-1)-0.7*z(k-2)+1.1*u(k-1)+0.3*u(k-2)-v(k-1)+0.2*v(k-2); end %理想输出作为观察值for k=1:N-2 hl(k,:)=-z(k+1),-z(k),u(k+1),u(k),v(k+1),v(k);%样本矩阵HL赋值 zl(k)=z(k+2); %给样本矩阵ZL赋值endHL=(hl-min(min(hl)/(max(max(hl)-min(min(hl); %数据归一化ZL=(zl-min(zl)/(max(zl)-min(zl); %数据归一化p=HL(1:Q,:); %训练样本输入p1=HL(Q:N-2,:); %测试样本输入b1=ones(Q,1);b2=ones(H,1); %初始化P=p,b1; %增广训练样本P1=p1,b2; %增广测试样本T=ZL(1,1:Q); %训练样本理想输出T1=ZL(1,Q:N-2); %测试样本理想输出inputNums=6; %网络输入层节点数outputNums=1; %网络输出层节点数hideNums=10; %网络隐层节点数lc=0.03; %学习率max_epoch=3000; %最大循环次数error_goal=0.00001; %期望误差最小值B1=randn(1,hideNums); %输入层到隐含层的阈值初始化B2=randn(1,outputNums); %隐含层到输出层的阈值初始化w1=randn(inputNums,hideNums); %输入层到隐含层的权值初始化w2=randn(hideNums,outputNums); %隐含层到输出层的权值初始化W1=w1;B1; %输入层到隐含层的增广权矩阵W2=w2;B2; %隐含层到输出层的增广权矩阵error=zeros(1,max_epoch); %训练误差%训练样本集P对BP神经网络进行训练for k=1:max_epoch for i=1:Q %单个样本的输入 for j=1:hideNums net=P(i,:)*W1(:,j); %隐含层神经元的输入 y(i,j)=1/(1+exp(-net); %隐含层输出 end Y(i,:)=y(i,:),1; %带阈值隐含层输出 for j=1:outputNums net=Y(i,:)*W2(:,j); %输出层神经元的输入 O(i,j)=1/(1+exp(-net); %输出层输出 end E=T(i)-O(i); %单个样本训练误差 SSE=0.5*E2; %均方误差 if SSE=error_goal for c=1:hideNums for j=1:outputNums DW2(c,j)=(T(i,j)-O(i,j)*O(i,j)*(1-O(i,j); %输出层误差偏导 W2(c,j)=W2(c,j)+lc*DW2(c,j)*Y(i,c); %输出层权值阈值的调整 sumDW1=0; sumDW1=sumDW1+W2(c,j)*DW2(c,j); %输出层对前一层的误差 end end for m=1:inputNums for n=1:hideNums DW1(m,n)=Y(i,n)*(1-Y(i,n)*sumDW1; %隐含层误差偏导 W1(m,n)=W1(m,n)+lc*DW1(m,n)*P(i,m); %隐含层权值阈值的调整 end end endende=T-O;error(:,k)=sumsqr(e)/(2*Q); %样本集训练误差endw1=W1(1:inputNums,:) %输入层到隐含层的权值B1=W1(end,:) %输入层到隐含层的阈值w2=W2(1:hideNums,:) %隐含层到输出层的权值B2=W2(end,:) %隐含层到输出层的阈值%测试样本集P1用于BP神经网络预测for i=1:H for j=1:hideNums net=P1(i,:)*W1(:,j); %隐含层的输入 y(i,j)=1/(1+exp(-net); %隐含层神经元输出 end Y(i,:)=y(i,:),1; for j=1:outputNums net=Y(i,:)*W2(:,j); %输出层的输入 O1(i,j)=1/(1+exp(-net); %BP网络实际输出 endendfigure(1);k=1:max_epoch;plot(k,error); %每次训练产生的均方误差xlabel(k);ylabel(error);figure(2);k=1:H;plot(k,T1,k,O1,*); %期望输出值和BP网络实际输出值xlabel(k);ylabel(T1andO1);title(BP simulation);legend(T1 is desired output ,O1 is Network real output);程序运行结果：网络调整后的权值和阈值：w1 = -1.8970 -0.3536 -0.7324 -0.2796 -0.8915 -2.5360 -1.4659 -0.8267 1.3088 -2.9194 0.2206 0.3110 -0.4352 1.9239 0.2798 2.2846 2.3745 1.0050 1.9195 1.6357 0.3982 1.2206 -0.3522 0.3303 0.1851 0.4378 0.6983 0.7763 1.0435 1.6692 -0.0396 -0.0303 0.1196 2.5735 1.9985 0.5372 0.7766 0.2509 0.3865 -0.1207 -2.0508 -0.2577 -1.1566 -0.4017 -0.2822 -0.7683 -0.8974 -0.7947 -2.8680 -2.8010 0.5775 0.2247 -1.8290 1.2246 -1.2297 0.4094 -2.0787 -0.0308 1.4659 0.6319B1 = -0.0626 1.3940 -0.6442 -2.4781 0.4005 -0.