智能控制实验报告

智能控制实验报告-BP网络一.实验内容设计BP网络，映射函数为：1.y=sin(x)x∈〔0，2π〕2.y=x1^2+x2^2+x1*x2x1,x2∈(0,1)给出训练后的权值矩阵，并考察训练拟合的效果。二.实验原理1.BP网络原理BP网络模型处理信息的根本原理是：输入信号Xi通过中间节点〔隐层点〕作用于输出节点，经过非线形变换，产生输出信号Yk，网络训练的每个样本包括输入向量X和期望输出量t，网络输出值Y与期望输出值t之间的偏差，通过调整输入节点与隐层节点的联接强度取值Wij和隐层节点与输出节点之间的联接强度Tjk以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数〔权值和阈值〕，训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。2.BP学习的过程正向传播：输入样本－－－输入层－－－各隐层－－－输出层判断是否转入反向传播阶段：假设输出层的实际输出与期望的输出〔教师信号〕不符误差反传3.BP网络的设计在本次试验中，均采用了三层的BP网络，即输入层，一隐层，输出层。隐层结点数均定义为10个。在取样本时，采取均匀采样的方法，在测试时采用未使用的数据。对于初始值采用随机选取的方法。采用单极性Sigmoid函数：fx=14.算法初始化网络参数，其阈值和各层之间的权值均用随机数产生，其范围[-1,1];.输入样本及教师信号，〔x，y〕,并归一化，其函数为：[0,1]归一化〔[min,max]---->[0,1]〕：[0,1]反归一化〔[0,1]---->[min,max]〕：[-1,1]归一化〔[min,max]---->[-1,1]〕：[-1,1]反归一化〔[-1,1]---->[min,max]〕：〔其中〕计算隐层及输出层的输出设其函数为：f(x)=1／〔1+exp〔x〕〕那么隐层输出为：y输出层输出为：O计算各层的误差信号并改变权值。1)计算隐层对输出层的误差信号，δko=dk2)计算输入层对隐层的误差信号，δjy=k=1lδk计算网络均方根误差E,E=12p=1Pk=1l(dkp-Ok假设满足要求，那么进行测试。5..算法的流程图为：调用测试函数调用测试函数text对得到的BP网络进行测试结束结束三.实验结果〔1〕有y=sin(x)在实验时将隐层节点个数设为：10；学习率为：0.1；误差设定值为：0.00013；实验截图如下图：实验次数及误差经试验，当误差到达0.00013后，误差减小的很慢，当到达0.00012后便开始增加。应选定误差为0.00013，训练次数为36624次。实验结束后的权值：测试：〔2〕y=x1^2+x2^2+x1*x2x1,x2∈(0,1)在实验时将隐层节点个数设为：10；学习率为：0.5；误差设定值为：0.0015；实验截图如下图：实验次数及误差经试验，当误差到达0.0015后，误差减小的非常慢，但一直在减小，应选定误差为0.0015，且选定的学习率比拟高。最终的训练次数为56788次。最终的权值为数据测试四.实验结果分析在BP网络训练的过程中，误差开始减小的非常快，到后来训练了一万次后误差减小开始变得非常慢。当改变学习率时，学习率增加时，学习的速度增加，但是出现了震荡的现象。选取较小的学习率时，学习的速率明显变慢，但是选取的值较多，震荡的现象减小。隐层节点数减少时学习的速率变快，但是相应的测试误差变大。在测试时，有的数的误差明显偏大，这是由于训练次数少，隐层结点数少，训练有误差而导致的仿真结果不准确造成的。五.实验中存在的缺乏〔1〕对于第一题，在训练时，产生了很屡次的震荡，而且不能保证最后的结果是最优的结果。〔2〕对于第二题，误差减小的很慢，到了最后根本上不减小。训练次数多使得学习效率低，收敛速度慢；〔3〕实验训练结束后的测试，最终的绝对误差均在0.05左右，有些大。训练次数少，误差较大而引起的。六.实验中出现的问题〔1〕在调试程序的过程中出现误差非常大，而且不减小的情况——进入了平坦区产生的原因：没有进行归一化处理。进行归一化处理的原因：①网络的各个输入数据常常具有不同的物理意义和不同的量纲，归一化给各输入分量以同等重要的地位；②BP网的神经元均采用Sigmoid转移函数，变换后可防止因净输入的绝对值过大而使神经元输出饱和，继而使权值调整进入误差曲面的平坦区；③Sigmoid转移函数的输出在0~1或-1~1之