???? ???這個部分，主要是通過給定模型的輸入和輸出，然后通過網絡進行訓練，得到神經網絡的辨識參數。

??????? 對于網絡辨識部分，其基本構架如下所示：

??????? 上述的辨識結構，通過控制對象的輸入和輸出的延遲分別進入F網絡和G網絡，然后通過網絡輸出和實際輸出的誤差對網絡F和網絡G進行在線學習。

??????? 具體理論論文講的比較詳細了，這里不再重復，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網絡?
? ? ? ? ? %G神經網絡計算
? ? ? ? ? [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神經網絡計算
? ? ? ? ? [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網絡權值更新
? ? ? ? ? [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網絡權值更新
? ? ? ? ? [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;
? ? ? %如果當前訓練誤差反而增加，則放棄此次訓練結果，重新訓練
? ? ? 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：%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('系統輸出','網絡輸出');

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

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站內容還不錯，歡迎將生活随笔推薦給好友。