Elman神经网络.ppt_第1页
Elman神经网络.ppt_第2页
Elman神经网络.ppt_第3页
Elman神经网络.ppt_第4页
Elman神经网络.ppt_第5页
已阅读5页，还剩10页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

1、第九章 Elman神经网络,Elman网络结构,带反馈的BP网络 行程迟滞具有短期记忆功能,Elman神经网络结构特点,四层：输入层、中间层（隐藏层）、承接层和输出层 承接层：又称为上下文层或状态层，记忆隐含层前一时刻的输出 对历史状态敏感，增加处理动态信息的能力，可动态建模,Elman网络神经元,输入层：没有神经元 隐藏层：S神经元 承接层：没有神经元 输出层：线性神经元,Elman网络学习算法,也采用BP算法进行权值修正，指标函数为误差平方和,Elman网络的构建,NET = NEWELM(PR,S1 S2.SNl,TF1 TF2.TFNl,BTF,BLF,PF) PR - Rx2 维矩阵

2、，表示R个输入的范围 Si -每层有几个神经元 TFi 每层神经元的类型 BTF 训练算法，默认为 traingdx. BLF 学习算法，默认为 learngdm. PF - 表现函数，默认为 mse,例一：构建一个Elman网络,构建一个单输入、单输出，隐藏层有5个神经元的Elman网络 输入网络的IW，LW1和LW2进行观察分析（维数） 随机产生一个输入向量，观察相应输出 为输入向量指定期望输出进行训练 观察训练后网络的输出,振幅检测,检波、低通滤波,例二：应用Elman网络进行振幅检测,意义：演示Elman网络如何进行时间模式识别和分类（低通滤波） 实现方法 设置输入（两种振幅的正弦波）

3、和期望输出 建立网络并根据输入和期望输出进行训练 用原输入信号对网络进行测试 用一组新的输入信号（频率和振幅都有改变）对网络进行测试,例三：基于Elman网络的空调负荷预测,空调系统的逐时负荷是按时间顺序排列的数字序列，它们之间有某种统计意义上的关系，很难用函数描述 空调负荷预测问题：多变量、强耦合、严重非线性、动态性 要求：根据过去的N（N1）个数据预测未来M（M 1 ）个时刻的值,预测方法的选取,神经网络方法的优势 并行、分布式、自组织 静态网络 BP网络：系统定阶困难、规模大、收敛慢 动态网络 Elman：适应时变特性,样本数据的分段方法,空调负荷数据,每天只选912四个小时的负荷,基于Elman网络的空调负荷预测步骤,构造训练样本：每3天的负荷作为输入向量，第4天的复合作为目标向量（三组训练样本，第7天的数据作测试） 网络结构：输入层12维，输出层4个神经元，中间层神经元设置为13个 设置训练参数，最大训练次数1000 用第7天的数据做测试,

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论