毕业答辩-混沌BP神经网络的研究.ppt

混沌BP神经网络的研究 指导教师 答辩人 本文的主要内容如下 混沌基本理论及仿真BP神经网络及仿真混沌BP神经网络建模及仿真结论 混沌基本理论 混沌一般具备两个主要特征 1 对于某些参量值 在几乎所有的初始条件下都将产生非周期动力学过程 2 随着时间的推移 任意靠近的各个初始条件将表现出各自独立的时间演化 即存在对初始条件的敏感依赖性 混沌理论中典型时间序列的仿真 1Logistic序列分叉图 p 16 b 4 r 45 92 y 1 0 1 为起始点 h 0 01为积分时间步长 2Lorenz序列映射 BP神经网络 反向传播神经网络 BackPropagationNeuralNetwork 简称BP网络 是Rumelhart等人于1985年提出的 BP神经网络实现了多层人工神经网络的设想 它是一种反向传递并修正误差的多层映射网 在参数适当时 能够收敛到较小的均方误差 典型的三层BP神经网络结构 BP算法的流程图 对于非线性系统 用标准BP算法进行系统辨识 BP网络应用于非线性系统辨识 a 训练后函数逼近效果 目标值用 表示 训练后输出结果用 表示 b 训练后误差及学习速率曲线 目标误差为0 02 学习率为0 01 训练次数为2940 最大训练次数为8000 混沌BP神经网络建模及仿真 针对传统BP算法容易陷入局部极小值 收敛速度慢 梯度估计精度较低等局性 提出了一种基于混沌时间序列的非线性动态系统的混沌BP神经网络方法 并将上述方法运用于Logistic和Lorenz混沌时间序列的建模与预测研究中 混沌BP神经网络模型的建立 令时间序列的最小嵌入维数为m 假设 令 则可建立描述混沌时间序列的非线性模型为 式中F为待定的非线性函数 当其参数在一定范围内取值时 系统表现为包括混沌在内的非线性特性 为误差 以混沌时间序列最小嵌入维数m作为BP神经网络的输入参数 即可进行非线性混沌系统BP神经网络建模研究 为待定参数 Matlab仿真及参数设置 1利用Logistic方程进行网络训练输入单元数均为43 训练样本数为3000 目标误差为0 003 BP网络隐含层和输出层的传递函数分别取tansig和purelin函数 a 训练过程及精度 b Logistic混沌序列 c 混沌序列与一步预测效果 d 预测误差曲线 输入单元数均为34 训练样本数为1000 BP网络隐含层和输出层的传递函数分别取tansig函数和purelin函数 2利用Lorenz方程进行网络训练 预测效果如下图所示 阐述了有关混沌理论的一些基础知识 并为了直观混沌特点 对混沌中的Logistic和Lorenz序列用Matlab进行了仿真 两种序列映射图充分体现了混沌的一种特性 即对初始条件十分敏感 有丰富的随机现象产生 对标准BP算法进行了阐述 通过Matlab仿真讨论了BP神经网络应用于非线性系统的辨识研究 当适当的选取训练样本时 BP网络能够用于非线性系统的辨识 充分体现了BP神经网络最大的特点 极强的非线性逼近能力 研究了混沌BP神经网络建模机理及其仿真实现 由仿真结果可得知混沌BP神经网络综合混沌和BP神经网络的优势 无论是在训练步数还是在预测精度方面都有很大的提高 结论 创新点 得到了混沌时间序列与BP神经网络