基于人工神经网络的动态系统仿真模型和算法研究.pdf 全文免费在线阅读

  本文关键词：基于人工神经网络的动态系统仿真模型和算法研究，由笔耕文化传播整理发布。

网友744361651近日为您收集整理了关于基于人工神经网络的动态系统仿真模型和算法研究的文档，希望对您的工作和学习有所帮助。以下是文档介绍：表 1 人工神经元的不同类型类型函数分段线性活化函数 f22x =1 x>1Ax-1≤x≤1-1 x<-≤ 1sigmoid 活化函数 f22x = 11+e-x双曲正切活化函数 f22x = 1-e-x1+e-x高斯活化函数 f22x =e- x2/σ22 2图 1 人工神经元元模型结构收稿日期:2011-05-23;修订日期:2011-08-27基金项目:职教基金项目(ZLY40)作者简介:陈顺立(1975-),男,河南西平人,讲师,硕士,研究方向:网络技术、计算机教育、高职教育。0 引言人工神经网络的出现,能够为计算机系统仿真建模提供一种较为通用的模式。按照应用层级分类,人工神经网络大体具有如下功能:(1)人工神经网络作为一个整体,直接作为系统仿真模型,应用于系统仿真研究;(2)作为系统仿真模型的一部分,起到模式识别的作用;(3)作为仿真系统的一部分,在系统中起到优化计算的作用;(4)作为一个整体与其他的仿真模型融合成一个新的系统,并且为这个新的系统提供非参数化对象模型、推理模型;(5)作为一个整体,构成辨识和过程控制系统,使得整个仿真系统能够做到识别环境,并对各种信息进行融合,根据应用目标,对非线性系统进行模拟与过程控制。1 人工神经网络与动态系统仿真1.1 人工神经网络以 M-P 人工神经网络模型为例,由图 1 可知,它相当于一个多输入单输出的非线性阐值器件。该神经元的输出 yi,可用下式描述yi =fnj=1Σwij xj -θi2 2i≠2 2j令 ui =nj=1Σwij xj -θi则 yi =f ui2 2根据活化函数的不同,人们把人工神经元分成以下几种类型,见表 1。1.2 动态系统仿真系统的动态特性基本上都是由内因和外因两方面构成的。内因一般是指的系统的基本结构、内部参数以及初始状态;外因则是指的输入信息与干扰。动态系统仿真模型的建立,就是要将系统的内因和外因,通过数学表达式描述出来,从而得到相应的数学模型,并通过计算机研究其实际的动态特性。2 基于人工神经网络的动态系统仿真与算法2.1 动态系统的特征和空间描述的基本方法在动态系统中,系统在一定时刻的输出一般都基于人工神经网络的动态系统仿真模型和算法研究陈顺立(重庆工程职业技术学院,重庆 400037)摘要:研究了人工智能网络的基本理论,并对人工神经网络在动态系统仿真模型和算法中的应用进行了研究。为推进人工神经网络在动态系统仿真模型中的运用提供一定的参考和借鉴。关键词:人工神经网络;动态系统仿真模型;算法中图分类号:TP301.6 文献标识码:A 文章编号:1008-8725(2012)01-0219-02Simulation Model and Algorithm Study ofArtificial work Based Dynamic SystemCHEN Shun-li(Chongqing Vocational Institute of Engineering, Chongqing 400037, China)Abstract: The artificial work in dynamic system simulation model and algorithmis studied. Hope to promote the research in this paper is artificial work (Ann) in theapplication of dynamic system simulation models provide certain reference.Key words:artificial work; dynamic system simulation model; algorithm第 31 卷第 1 期2012 年1 期煤炭技术Coal TechnologyVol.31,No.1January,2012是对过去一定时刻输入的动态响应的综合结果,与实时输入基本上没有直接的关系。即动态系统会表现出一定的“延时性”。在动态系统中,最为常用的一种空间描述基本方法就是状态空间表示,在非线性系统中,将其状态空间转化为离散时间形式,可以表述为X k+1 =f1 X k ,U kY k+1 =f2 X k2.2 人工神经网络应用于动态系统仿真的可行性实际上,运用人工神经网络对系统进行建模就是在使用模式性算法来进行实际系统的模拟,它针对的是属于在实际系统中属于黑信息,而且是不能够直接观测的那部分黑信息。将上述的两个公式进行不同的处理,可以得到不同的表达式,而这些表达分别对应不同的神经网络结构,以为其提供相应的理论依据。2.3 BP 神经网络的算法BP 神经网络的全称实际上是多层前馈网络(MFNN)的反向传播(BP,back Propagation),J,x,o为网络的输入和输出,每个神经元用一个节点表示。j 表示输入层神经元,i 表示隐层神经元,k 则表示输出层神经元。BP 算法即基于 BP 神经网络的学习算法,由如下 2 部分构成:(1)前向传播算法设某网络具有 m 个输入、q 个隐含节点、r 个输出的结构,则 BP 神经网络的输入为:x j j=1,2…m输入层节点的输出为oj1=x j j=1,2…m隐含层第 i 2i t =mj=0∑w2ij o1j i=1,2…q输出可表达为o2i t =2i t i=1,2…q其中 w2ij 为输入层到隐层的加权系数;上标(1)、(2)、(3) 分别代表输入层、隐含层、输出层,gnet2i t 为隐层活化函数,这里取为 Sigmoid 活化函数。g x = 11+e-x输出层的第 k 3k t =qi=0∑w3ik o2i t k=1,2…r输出层的第 k 个神经元的总输出为:o3k t =3k t k=1,2…r在上式中,w3ik :为隐层到输出层加权系数,而 fnet3k t 则是输出活化函数。(2)反向传播算法若 BP 神经网络的理想输出为 dk,在前向计算中,实际输出 ok 与理想输出 dk 并不相同,则需要将误差信号从输出端反向传播回来,并进行修正,使得实际输出 ok 与理想输出 dk 趋于一致。要进行修正,需要选取如下目标函数E= 12mk=1∑ dk -ok2= 12mk=1∑e2k按照梯度下降法,可以得出从神经元 j 到神经元 i 的 t+1 次权系数的相应调整值wij t+1 =wij t +△wij =wij t -η坠E t坠wij i t = ∑jw ij t I j 代入 i t坠wij t=坠∑jwij t Ij坠wij t=Ij 可以得到:坠E t坠wij t= 坠E i i t坠wij t= 坠E i tIj令σi= iσi 为第 i i 对 E 的灵敏度。综上可得坠E坠wij=σiIj分 2 种情况计算δi:第 1 种情况:当 i 为输出层节点时,i=k由上述公式可得σi=σk= i=i= dk-ok f' netk =-ekf' netk因此坠E t坠wij t= 坠E i i

12>

  本文关键词：基于人工神经网络的动态系统仿真模型和算法研究，由笔耕文化传播整理发布。