???? ???這個(gè)部分，主要是通過給定模型的輸入和輸出，然后通過網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到神經(jīng)網(wǎng)絡(luò)的辨識參數(shù)。

??????? 對于網(wǎng)絡(luò)辨識部分，其基本構(gòu)架如下所示：

??????? 上述的辨識結(jié)構(gòu)，通過控制對象的輸入和輸出的延遲分別進(jìn)入F網(wǎng)絡(luò)和G網(wǎng)絡(luò)，然后通過網(wǎng)絡(luò)輸出和實(shí)際輸出的誤差對網(wǎng)絡(luò)F和網(wǎng)絡(luò)G進(jìn)行在線學(xué)習(xí)。

??????? 具體理論論文講的比較詳細(xì)了，這里不再重復(fù)，仿真效果如下所示：

?部分核心程序：

clc;
clear all;
close all;
warning off;
addpath 'func\'
pack;

Num_In ? ? = 6;
Num_Hidden = 12;
Num_Out ? ?= 1; ??

load func\result3.mat

[In,Out] = func_data(y3,y_out3);

parameter;

while Error>Err_goal & Iter < Max_iter
? ? ? u_delay1 = 0;
? ? ? u_delay2 = 0;
? ? ? u_delay3 = 0;
? ? ? u_delay4 = 0;
? ? ? y_delay1 = 0;
? ? ? y_delay2 = 0;
? ? ? y_delay3 = 0; ??
? ? ? y_delay4 = 0;
? ? ? Err_tmp ?= 0;
? ? ? for k=1:All_Length
? ? ? ? ??
? ? ? ? ??
? ? ? ? ? Data_Delays = [y_delay1;
? ? ? ? ? ? ? ? ? ? ? ? ?y_delay2;
? ? ? ? ? ? ? ? ? ? ? ? ?y_delay3;
? ? ? ? ? ? ? ? ? ? ? ? ?u_delay2;
? ? ? ? ? ? ? ? ? ? ? ? ?u_delay3;
? ? ? ? ? ? ? ? ? ? ? ? ?u_delay4];
? ? ? ? ? ? ? ? ? ? ?
? ? ? ? ? %隱層求和?
? ? ? ? ? [Y_hidden(k),Hidden1G,Hidden2G,Y_hiddenG(k),Hidden1F,Hidden2F,Y_hiddenF(k)] = func_Hiddern(Data_Delays,u_delay1,Num_Hidden,G_wight_In,G_wight_Inb,G_wight_Out,G_wight_Outb,F_wight_In,F_wight_Inb,F_wight_Out,F_wight_Outb);
? ? ? ? ??
? ? ? ? ? Err_tmp ? ? = Out(k)-Y_hidden(k);

? ? ? ? ? %F和G網(wǎng)絡(luò)?
? ? ? ? ? %G神經(jīng)網(wǎng)絡(luò)計(jì)算
? ? ? ? ? [dg_weight_in,dg_bweight_in,dg_weight_out,dg_bweight_out] = func_G_net(Err_tmp,Out(k),In(k),Y_hidden(k),G_wight_Out,Hidden2G,Data_Delays,Y_hiddenG(k),Hidden1G,Num_Hidden,Num_In);?
? ? ? ? ? %F神經(jīng)網(wǎng)絡(luò)計(jì)算
? ? ? ? ? [df_weight_in,df_bweight_in,df_weight_out,df_bweight_out] = func_F_net(Err_tmp,Out(k),In(k),Y_hidden(k),F_wight_Out,Hidden2F,Data_Delays,Y_hiddenG(k),Hidden1F,Num_Hidden,Num_In);

? ? ? ? ? %G網(wǎng)絡(luò)權(quán)值更新
? ? ? ? ? [G_wight_In,G_wight_Out,G_wight_Inb,G_wight_Outb]=func_G_W_updata(Learn_Rate,alpha,...
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? G_wight_In1,G_wight_Out1,G_wight_Inb1,F_wight_Outb1,...
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? dg_weight_in,dg_weight_out,dg_bweight_in,dg_bweight_out,...
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? G_wight_Outb1,...
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? G_wight_In2,G_wight_Out2,G_wight_Inb2,G_wight_Outb2);
? ? ? ? ? %F網(wǎng)絡(luò)權(quán)值更新
? ? ? ? ? [F_wight_In,F_wight_Out,F_wight_Inb,F_wight_Outb]=func_F_W_updata(Learn_Rate,alpha,...
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?G_wight_In1,F_wight_Out1,F_wight_Inb1,F_wight_Outb1,...
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?df_weight_in,df_weight_out,df_bweight_in,df_bweight_out,...
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?G_wight_In2,F_wight_Out2,F_wight_Inb2,F_wight_Outb2);
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??
? ? ? ? ? %延遲
? ? ? ? ? u_delay4 = u_delay3;
? ? ? ? ? u_delay3 = u_delay2;
? ? ? ? ? u_delay2 = u_delay1;
? ? ? ? ? u_delay1 = In(k);?
? ? ? ??
? ? ? ? ? y_delay4 = y_delay3;
? ? ? ? ? y_delay3 = y_delay2;
? ? ? ? ? y_delay2 = y_delay1;
? ? ? ? ? y_delay1 = Out(k);?

? ? ? ? ? G_wight_In2 ? = G_wight_In1;
? ? ? ? ? G_wight_In1 ? = F_wight_In;
? ? ? ? ? F_wight_Out2 ?= F_wight_Out1;
? ? ? ? ? F_wight_Out1 ?= F_wight_Out;
? ? ? ? ? F_wight_Inb2 ?= F_wight_Inb1;
? ? ? ? ? F_wight_Inb1 ?= F_wight_Inb;
? ? ? ? ? F_wight_Outb2 = F_wight_Outb1;
? ? ? ? ? F_wight_Outb1 = F_wight_Outb;

? ? ? ? ? G_wight_In2 ? = G_wight_In1;
? ? ? ? ? G_wight_In1 ? = G_wight_In;
? ? ? ? ? G_wight_Out2 ?= G_wight_Out1;
? ? ? ? ? G_wight_Out1 ?= G_wight_Out;
? ? ? ? ? G_wight_Inb2 ?= G_wight_Inb1;
? ? ? ? ? G_wight_Inb1 ?= G_wight_Inb;
? ? ? ? ? G_wight_Outb2 = G_wight_Outb1;
? ? ? ? ? G_wight_Outb1 = G_wight_Outb;
? ? ? ? ??
? ? ? end

? ? ? Error ? ? ? ?= sum((Out-Y_hidden).^2)/k;
? ? ? Error2(Iter) = Error;
? ? ? %如果當(dāng)前訓(xùn)練誤差反而增加，則放棄此次訓(xùn)練結(jié)果，重新訓(xùn)練
? ? ? if (Iter > 1) & (Error2(Iter) > 1.2*Error2(Iter-1))
? ? ? ? ?Iter ? ? ?= Iter;
? ? ? ? ?Break_cnt = Break_cnt + 1;
? ? ? ? ?if Break_cnt > 20
? ? ? ? ? ? Error2(Iter) = [];
? ? ? ? ? ? break;
? ? ? ? ?end
? ? ? else
? ? ? ? ?Break_cnt = 0;?
? ? ? ? ?Iter = Iter+1;?
? ? ? ? ?fprintf('迭代次數(shù)：%d ?',Iter);
? ? ? ? ?fprintf('誤差：%f',Error);
? ? ? ? ?fprintf('\n\n');
? ? ? end
end

figure;?
subplot(121);
plot(Times(1:1000),Out(1:1000),'r'); ?
hold on;
plot(Times(1:1000),Y_hidden(1:1000),'b--'); ?
hold on;
xlabel('Times(s)');
ylabel('Out');?
legend('系統(tǒng)輸出','網(wǎng)絡(luò)輸出');

subplot(122);?
semilogy(1:length(Error2),Error2,'r-o');?
xlabel('Times(s)');
ylabel('Error');
grid on;

F_wight_In0 ? = F_wight_In;
F_wight_Out0 ?= F_wight_Out;?
G_wight_In0 ? = G_wight_In;
G_wight_Out0 ?= G_wight_Out;
F_wight_Inb0 ?= F_wight_Inb;
F_wight_Outb0 = F_wight_Outb;?
G_wight_Inb0 ?= G_wight_Inb;
G_wight_Outb0 = G_wight_Outb;

save NN_reg_signal3.mat F_wight_In0 F_wight_Out0 G_wight_In0 G_wight_Out0 ?F_wight_Inb0 F_wight_Outb0 G_wight_Inb0 G_wight_Outb0

A08-16

?

總結(jié)

以上是生活随笔為你收集整理的基于神经网络的控制器设计与仿真的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。