7.6 模糊RBF网络的数据建模

模糊RBF网络的数据建模刘金琨模糊辨识的理论基础01基于T-S模糊模型的辨识02模糊逼近03模糊辨识及自适应模糊控制04目录CONTENTS模糊RBF网络的在线逼近05模糊RBF网络的数据建模0606模糊RBF网络的数据建模

在神经网络数据建模中，根据标准的输入输出模式对，采用神经网络学习算法，以标准的模式作为学习样本进行训练，通过学习调整神经网络的连接权值。当训练满足要求后，得到的神经网络权值构成了模型的知识库。六、模糊RBF网络的数据建模模糊RBF网络的训练过程如下：正向传播是采用7.5节的算法式（1）至式（8），输入信号从输入层经模糊化层和模糊推理层传向输出层，若输出层得到了期望的输出，则学习算法结束；否则，转至反向传播。反向传播采用采用梯度下降法，调整各层间的权值。

基本原理每次迭代时，分别依次对各个样本进行训练，更新权值，直到所有样本训练完毕，再进行下一次迭代，直到满足要求为止。

输出层的权值通过如下方式来调整：

（2）则输出层的权值学习算法为：

（3）其中ƞ为学习速率，α为动量因子。

基本原理六、模糊RBF网络的数据建模

六、模糊RBF网络的数据建模

仿真实例六、模糊RBF网络的数据建模取标准样本为单个样本，该样本为3输入2输出样本，如表7-2所示。运行网络训练程序chap7_9a.m，取网络训练的最终指标为E=10-20，网络训练指标的变化如图7-31所示。将网络训练的最终权值为用于模型的知识库，将其保存在文件wfile1.dat中。运行网络测试程序chap7_9b.m，调用文件wfile1.dat，取一组实际样本进行测试，测试样本及测试结果见表7-2和表7-3所示。仿真实例之一：单入单出六、模糊RBF网络的数据建模仿真实例之一：单入单出表7-2训练样本输入输出10010表7-3测试样本及结果输入输出10010六、模糊RBF网络的数据建模仿真实例之一：单入单出图7-31单个样本训练的收敛过程六、模糊RBF网络的数据建模取标准样本为3个样本，每个样本为3输入2输出样本，如表7-4所示。运行网络训练程序chap7_10a.m，取网络训练的最终指标为E=10-20，网络训练指标的变化如图7-32所示。将网络训练的最终权值为用于模型的知识库，将其保存在文件wfile2.dat中。运行网络测试程序chap7_10b.m，调用文件wfile2.dat，取一组实际样本进行测试，测试样本及测试结果见表7-5所示。由仿真结果可见，相同的输入得到相同的输出，相近的输入得到相近的输出，如果是新的没有经过训练的样本，则得到的输出新的输入。这表明模糊RBF网络具有很好的非线性建模能力。仿真实例之一：多入多出六、模糊RBF网络的数据建模表7-4训练样本仿真实例之一：多入多出输入输出1001001000.500101六、模糊RBF网络的数据建模表7-5测试样本及结果仿真实例之一：多入多出输入输出0.9700.0010.0010.98620.00940.0000.9800.0000.00800.49720.0020.0001.040-0.01451.02020.5000.5000.5000.23950.61081.0000.0000.0001.0000-0.00000.0001.0000.0000.0000