神经网络实验报告.pdf

实验报告

课程名称 BP 神经网络实验
实验名称 一级倒立摆实验 出间的关联信息分布存储于连接权中，由于连接权的个数总多，个别神经元的损坏对输入
输出关系只有较小影响。
但在实际应用中也存在一些问题，如：收敛速度慢，极有可能陷入最优陷阱（局部极值），
而且典型的 BP 网络是一个冗余结构，它的结构及隐节点数的确定往往有人为的主观性，而
且一旦人工决定之后，不能在学习过程中自主变更。其结果是隐节点数少了，学习过程不收
敛；隐节点数多了，则网络的学习及推理的效率较差。
实验步骤 :
(1)建立控制模型
神经网络训练数据来源于 自带的一阶 T-S 型模糊控制 。如图 2 所示。


图 2 一级倒立摆的模糊控制仿真
在上面的控制系统中提取摆角、角速度、位移、速度初始条件为分别为 0. 5rad,1rad/s, 0
和 0,在此条件下响应的输入输出对，

(2) 提取训练数据
如图 3 所示，利用【Signal To Workspace】模块获取一阶 T-S 型模糊控制仿真过程的控制
器输入输出数据对，并保存到工作区中，可以直接用到神经网络的训练中。图 3 数据提取
(3) BP 神经网络控制器的训练
首先将提取出的训练数据变为标准的训练数据形式，标准的训练数据分为输入和目标输
出两部分。输入部分是一个形式为输入个数 训练数据个数的矩阵，这里输入个数为 4。目
标输出为一个输出个数 训练数据个数的矩阵，这里输出个数为 1。而经 signal to workspace
模块提取出的数据为一个训练数据个数 输入（或输出）个数的矩阵，因此分别将 p、t 转
置后就得到标准训练数据 p’,t’。
接着选择要训练的步数，训练步数的选择可由下面语句定义：
=250
这一语句定义了一个 500 步的训练步数。
做完上面的工作后就可以对网络进行训练了，按照上一节中的选择和定义初始化网络后，
在没有输入延迟和输出延迟的条件下，并设训练后的网络还为 NET，便可用下面语句对网络
训练：
[net,tr]=train(