Elman神經(jīng)網(wǎng)絡(luò)介紹

1.特點(diǎn)
Elman神經(jīng)網(wǎng)絡(luò)是一種典型的動(dòng)態(tài)遞歸神經(jīng)網(wǎng)絡(luò)，它是在BP網(wǎng)絡(luò)基本結(jié)構(gòu)的基礎(chǔ)上，在隱含層增加一個(gè)承接層，作為一步延時(shí)算子，達(dá)到記憶的目的，從而使系統(tǒng)具有適應(yīng)時(shí)變特性的能力，增強(qiáng)了網(wǎng)絡(luò)的全局穩(wěn)定性，它比前饋型神經(jīng)網(wǎng)絡(luò)具有更強(qiáng)的計(jì)算能力，還可以用來解決快速尋優(yōu)問題。
2.結(jié)構(gòu)
Elman神經(jīng)網(wǎng)絡(luò)是應(yīng)用較為廣泛的一種典型的反饋型神經(jīng)網(wǎng)絡(luò)模型。一般分為四層：輸入層、隱層、承接層和輸出層。其輸入層、隱層和輸出層的連接類似于前饋網(wǎng)絡(luò)。輸入層的單元僅起到信號(hào)傳輸作用，輸出層單元起到加權(quán)作用。隱層單元有線性和非線性兩類激勵(lì)函數(shù)，通常激勵(lì)函數(shù)取Signmoid非線性函數(shù)。而承接層則用來記憶隱層單元前一時(shí)刻的輸出值，可以認(rèn)為是一個(gè)有一步遲延的延時(shí)算子。隱層的輸出通過承接層的延遲與存儲(chǔ)，自聯(lián)到隱層的輸入，這種自聯(lián)方式使其對(duì)歷史數(shù)據(jù)具有敏感性，內(nèi)部反饋網(wǎng)絡(luò)的加入增加了網(wǎng)絡(luò)本身處理動(dòng)態(tài)信息的能力，從而達(dá)到動(dòng)態(tài)建模的目的。其結(jié)構(gòu)圖如下圖1所示，

其網(wǎng)絡(luò)的數(shù)學(xué)表達(dá)式為：



其中，y為m維輸出節(jié)點(diǎn)向量；x為n維中間層節(jié)點(diǎn)單元向量；u為r維輸入向量；為n維反饋狀態(tài)向量；為中間層到輸出層連接權(quán)值；為輸入層到中間層連接權(quán)值；為承接層到中間層連接權(quán)值；g()為輸出神經(jīng)元的傳遞函數(shù)，是中間層輸出的線性組合；f()為中間層神經(jīng)元的傳遞函數(shù)，常采用S函數(shù)。
3.與BP網(wǎng)絡(luò)的區(qū)別
它是動(dòng)態(tài)反饋型網(wǎng)絡(luò)，它能夠內(nèi)部反饋、存儲(chǔ)和利用過去時(shí)刻輸出信息，既可以實(shí)現(xiàn)靜態(tài)系統(tǒng)的建模，還能實(shí)現(xiàn)動(dòng)態(tài)系統(tǒng)的映射并直接反應(yīng)系統(tǒng)的動(dòng)態(tài)特性，在計(jì)算能力及網(wǎng)絡(luò)穩(wěn)定性方面都比BP神經(jīng)網(wǎng)絡(luò)更勝一籌。
4.缺點(diǎn)
與BP神經(jīng)網(wǎng)絡(luò)一樣，算法都是采用基于梯度下降法，會(huì)出現(xiàn)訓(xùn)練速度慢和容易陷入局部極小點(diǎn)的缺點(diǎn)，對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練較難達(dá)到全局最優(yōu)。

基于Matlab實(shí)現(xiàn)Elman神經(jīng)網(wǎng)絡(luò)

在MATLAB中，Elman神經(jīng)網(wǎng)絡(luò)可以通過調(diào)用newelm()實(shí)現(xiàn)。
**例子：**利用Elman神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)MATLAB的數(shù)據(jù)預(yù)測(cè)。

%輸入數(shù)據(jù) P=[3.2 3.2 3 3.2 3.2 3.4 3.2 3 3.2 3.2; 9.6 10.3 9 10.3 10.1 10 9.6 9 9.6 9.2; 3.45 3.75 3.5 3.65 3.5 3.4 3.55 3.5 3.55 3.5; 2.15 2.2 2.2 2.2 2 2.15 2.14 2.1 2.1 2.1; 140 120 140 150 80 130 130 100 130 140; 2.8 3.4 3.5 2.8 1.5 3.2 3.5 1.8 3.5 2.5; 11 10.9 11.4 10.8 11.3 11.5 11.8 11.3 11.8 11; 50 70 50 80 50 60 65 40 65 50 ]; %訓(xùn)練數(shù)據(jù) T=[2.24 2.33 2.24 2.32 2.2 2.27 2.2 2.26 2.2 2.24];%訓(xùn)練輸出實(shí)際值 TestInput=[3.2 3.9 3.1 3.2 3.0; 9.5 9 9.5 9.7 9.3; 3.4 3.1 3.6 3.45 3.3; 2.15 2 2.1 2.15 2.05; 115 80 90 130 100; 2.8 2.2 2.7 2.6 2.8; 11.9 13 11.1 10.85 11.2; 50 50 70 70 50];%測(cè)試數(shù)據(jù) TestOutput=[2.24 2.2 2.2 2.35 2.2]; %測(cè)試輸出實(shí)際值[pn,minp,maxp,tn,mint,maxt]=premnmx(P,T); p2= tramnmx(TestInput,minp,maxp); %創(chuàng)建Elman神經(jīng)網(wǎng)絡(luò) net_1 = newelm(minmax(pn),[8,1],{'tansig','purelin'},'traingdm'); %設(shè)置訓(xùn)練參數(shù) net_1.trainParam.show = 50; net_1.trainParam.lr = 0.01; net_1.trainParam.mc = 0.9; net_1.trainParam.epochs =10000; net_1.trainParam.goal = 1e-3; net=init(net_1);%初始化網(wǎng)絡(luò) %訓(xùn)練網(wǎng)絡(luò) net = train(net,pn,tn); %使用訓(xùn)練好的網(wǎng)絡(luò)，自定義輸入 PN = sim(net,p2); TestResult= postmnmx(PN,mint,maxt);%仿真值反歸一化 %理想輸出與訓(xùn)練輸出的結(jié)果進(jìn)行比較 E =TestOutput - TestResult %計(jì)算誤差 MSE=mse(E);%計(jì)算均方誤差 figure(1) plot(TestOutput,'bo-'); hold on; plot(TestResult,'r*--'); legend('真實(shí)值','預(yù)測(cè)值'); save('Elman.mat','net');

運(yùn)行結(jié)果如下：


誤差結(jié)果為：
E =[0.48% 0.40% 0.12% 9.47% 2.28%]
平均誤差為：2.55%

轉(zhuǎn)載請(qǐng)標(biāo)明出處，謝謝！。

如果感覺本文對(duì)您有幫助，請(qǐng)留下您的贊，您的支持是我堅(jiān)持寫作最大的動(dòng)力，謝謝！

總結(jié)

以上是生活随笔為你收集整理的Elman神经网络介绍以及Matlab实现的全部?jī)?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。