非线性系统建模深度学习模型非线性系统如何建模

转载

jiecho 2023-07-27 18:40:03

文章标签 非线性系统建模深度学习模型神经网络前馈神经网络数据传递函数 文章分类 深度学习人工智能

BP 神经网络的非线性系统建模——非线性函数拟合

BP 神经网络构建根据拟合非线性函数特点确定BP 神经网络结构，由于本次非线性函数有两个输入参数，一个输出参数，所以BP 神经网络结构为2-5-1，即输入层有2 个节点，隐含层有5 个节点,输出层有1 个节点。BP 神经网络训练用非线性函数输入输出数据训练神经网络，使训练后的网络能够预测非线性函数输出。从非线性函数中随机得到2000 组输入输出数据，从中随机选择1900 组作为训练数据，用于网络训练，100 组作为测试数据，用于测试网络的拟合性能。

非线性系统建模深度学习模型非线性系统如何建模_前馈神经网络

BP 神经网络主要用到newff、sim 和train3 个神经网络函数，

newff: BP神经网络参数设置函数

函数功能：构建一个BP 神经网络。
函数形式： net = newff (T ,S, TF ,BTF ,BLF,PF ,IPF ,OPF, DDF)
P ： 输入数据矩阵。
T ：输出数据矩阵。
S：隐含层节点数．
TF ：节点传递函数，包括硬限幅传递函数hardlim 、对称硬限幅传递函数hardlims 、线性传递函数pureI in 、正切S 型传递函数tansig 、对数S 型传递函数logsig.
BTF ： 训练函数，包括梯度下降BP算法训练函数traingd 、动量反传的梯度下降BP算法训练函数traingdm 、动态自适应学习率的梯度下降BP 算法训练函数trai ngda、动量反传和动态自适应学习率的梯度下降BP 算法训练函数traingd x 、l,evenberg_ Marquardt 的BP 算法训练函数trainlm 。
BLF ： 网络学习函数，包括BP 学习规则learngd 、带动量项的BP 学习规则learngdm 。
PF ：性能分析函数， 包括均值绝对误差性能分析函数mae、均方差性能分析函数rose.
IPF ： 输入处理函数。
OPF ， 输出处理函数。
DDF ：验证数据划分函数．
一般在使用过程中设置前面6 个参数，后面4 个参数采用系统默认参数。

train :BP神经网络训练函数

函数功能：用训练数据训练BP 神经网络．
函数形式： 〔net,tr ] = train(N ET,X,T,Pi,Ai)
NET ： 待训练网络．
X ：输入数据矩阵。
T：输出数据矩阵。
Pi ： 初始化输入层条件。
Ai ：初始化输出层条件。
net ： 训练好的网络。
tr ： 训练过程记录。
一般在使用过程中设置前面3 个参数，后面2 个参数采用系统默认参数。

sim : BP神经网络预测函数

函数功能：用训练好的BP 神经网络预测函数输出。
函数形式： y=sim(net, x)
net ：训练好的网络．
X ：输入数据。
Y ： 网络预测数据。

程序实现

%% 该代码为基于BP神经网络的预测算法
%% 清空环境变量
clc
clear

%% 训练数据预测数据提取及归一化
%下载输入输出数据
load data input output

%从1到2000间随机排序
k=rand(1,2000);
[m,n]=sort(k);

%找出训练数据和预测数据
input_train=input(n(1:1900),:)';
output_train=output(n(1:1900));
input_test=input(n(1901:2000),:)';
output_test=output(n(1901:2000));

%选连样本输入输出数据归一化
[inputn,inputps]=mapminmax(input_train);
[outputn,outputps]=mapminmax(output_train);

%% BP网络训练
% %初始化网络结构
net=newff(inputn,outputn,5);

net.trainParam.epochs=100;
net.trainParam.lr=0.1;
net.trainParam.goal=0.00004;

%网络训练
net=train(net,inputn,outputn);

%% BP网络预测
%预测数据归一化
inputn_test=mapminmax('apply',input_test,inputps);
 
%网络预测输出
an=sim(net,inputn_test);
 
%网络输出反归一化
BPoutput=mapminmax('reverse',an,outputps);

%% 结果分析

figure(1)
plot(BPoutput,':og')
hold on
plot(output_test,'-*');
legend('预测输出','期望输出')
title('BP网络预测输出','fontsize',12)
ylabel('函数输出','fontsize',12)
xlabel('样本','fontsize',12)
%预测误差
error=BPoutput-output_test;


figure(2)
plot(error,'-*')
title('BP网络预测误差','fontsize',12)
ylabel('误差','fontsize',12)
xlabel('样本','fontsize',12)

figure(3)
plot((output_test-BPoutput)./BPoutput,'-*');
title('神经网络预测误差百分比')
errorsum=sum(abs(error));