本文關(guān)鍵詞：基于人工神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)系統(tǒng)仿真模型和算法研究，由筆耕文化傳播整理發(fā)布。

網(wǎng)友744361651近日為您收集整理了關(guān)于基于人工神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)系統(tǒng)仿真模型和算法研究的文檔，希望對您的工作和學(xué)習(xí)有所幫助。以下是文檔介紹：表 1 人工神經(jīng)元的不同類型類型函數(shù)分段線性活化函數(shù) f22x =1 x>1Ax-1≤x≤1-1 x<-≤ 1sigmoid 活化函數(shù) f22x = 11+e-x雙曲正切活化函數(shù) f22x = 1-e-x1+e-x高斯活化函數(shù) f22x =e- x2/σ22 2圖 1 人工神經(jīng)元元模型結(jié)構(gòu)收稿日期:2011-05-23;修訂日期:2011-08-27基金項(xiàng)目:職教基金項(xiàng)目(ZLY40)作者簡介:陳順立(1975-),男,河南西平人,講師,碩士,研究方向:網(wǎng)絡(luò)技術(shù)、計(jì)算機(jī)教育、高職教育。0 引言人工神經(jīng)網(wǎng)絡(luò)的出現(xiàn),能夠?yàn)橛?jì)算機(jī)系統(tǒng)仿真建模提供一種較為通用的模式。按照應(yīng)用層級分類,人工神經(jīng)網(wǎng)絡(luò)大體具有如下功能:(1)人工神經(jīng)網(wǎng)絡(luò)作為一個(gè)整體,直接作為系統(tǒng)仿真模型,應(yīng)用于系統(tǒng)仿真研究;(2)作為系統(tǒng)仿真模型的一部分,起到模式識(shí)別的作用;(3)作為仿真系統(tǒng)的一部分,在系統(tǒng)中起到優(yōu)化計(jì)算的作用;(4)作為一個(gè)整體與其他的仿真模型融合成一個(gè)新的系統(tǒng),并且為這個(gè)新的系統(tǒng)提供非參數(shù)化對象模型、推理模型;(5)作為一個(gè)整體,構(gòu)成辨識(shí)和過程控制系統(tǒng),使得整個(gè)仿真系統(tǒng)能夠做到識(shí)別環(huán)境,并對各種信息進(jìn)行融合,根據(jù)應(yīng)用目標(biāo),對非線性系統(tǒng)進(jìn)行模擬與過程控制。1 人工神經(jīng)網(wǎng)絡(luò)與動(dòng)態(tài)系統(tǒng)仿真1.1 人工神經(jīng)網(wǎng)絡(luò)以 M-P 人工神經(jīng)網(wǎng)絡(luò)模型為例,由圖 1 可知,它相當(dāng)于一個(gè)多輸入單輸出的非線性闡值器件。該神經(jīng)元的輸出 yi,可用下式描述yi =fnj=1Σwij xj -θi2 2i≠2 2j令 ui =nj=1Σwij xj -θi則 yi =f ui2 2根據(jù)活化函數(shù)的不同,人們把人工神經(jīng)元分成以下幾種類型,見表 1。1.2 動(dòng)態(tài)系統(tǒng)仿真系統(tǒng)的動(dòng)態(tài)特性基本上都是由內(nèi)因和外因兩方面構(gòu)成的。內(nèi)因一般是指的系統(tǒng)的基本結(jié)構(gòu)、內(nèi)部參數(shù)以及初始狀態(tài);外因則是指的輸入信息與干擾。動(dòng)態(tài)系統(tǒng)仿真模型的建立,就是要將系統(tǒng)的內(nèi)因和外因,通過數(shù)學(xué)表達(dá)式描述出來,從而得到相應(yīng)的數(shù)學(xué)模型,并通過計(jì)算機(jī)研究其實(shí)際的動(dòng)態(tài)特性。2 基于人工神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)系統(tǒng)仿真與算法2.1 動(dòng)態(tài)系統(tǒng)的特征和空間描述的基本方法在動(dòng)態(tài)系統(tǒng)中,系統(tǒng)在一定時(shí)刻的輸出一般都基于人工神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)系統(tǒng)仿真模型和算法研究陳順立(重慶工程職業(yè)技術(shù)學(xué)院,重慶 400037)摘要:研究了人工智能網(wǎng)絡(luò)的基本理論,并對人工神經(jīng)網(wǎng)絡(luò)在動(dòng)態(tài)系統(tǒng)仿真模型和算法中的應(yīng)用進(jìn)行了研究。為推進(jìn)人工神經(jīng)網(wǎng)絡(luò)在動(dòng)態(tài)系統(tǒng)仿真模型中的運(yùn)用提供一定的參考和借鑒。關(guān)鍵詞:人工神經(jīng)網(wǎng)絡(luò);動(dòng)態(tài)系統(tǒng)仿真模型;算法中圖分類號:TP301.6 文獻(xiàn)標(biāo)識(shí)碼:A 文章編號: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 期煤炭技術(shù)Coal TechnologyVol.31,No.1January,2012是對過去一定時(shí)刻輸入的動(dòng)態(tài)響應(yīng)的綜合結(jié)果,與實(shí)時(shí)輸入基本上沒有直接的關(guān)系。即動(dòng)態(tài)系統(tǒng)會(huì)表現(xiàn)出一定的“延時(shí)性”。在動(dòng)態(tài)系統(tǒng)中,最為常用的一種空間描述基本方法就是狀態(tài)空間表示,在非線性系統(tǒng)中,將其狀態(tài)空間轉(zhuǎn)化為離散時(shí)間形式,可以表述為X k+1 =f1 X k ,U kY k+1 =f2 X k2.2 人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于動(dòng)態(tài)系統(tǒng)仿真的可行性實(shí)際上,運(yùn)用人工神經(jīng)網(wǎng)絡(luò)對系統(tǒng)進(jìn)行建模就是在使用模式性算法來進(jìn)行實(shí)際系統(tǒng)的模擬,它針對的是屬于在實(shí)際系統(tǒng)中屬于黑信息,而且是不能夠直接觀測的那部分黑信息。將上述的兩個(gè)公式進(jìn)行不同的處理,可以得到不同的表達(dá)式,而這些表達(dá)分別對應(yīng)不同的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),以為其提供相應(yīng)的理論依據(jù)。2.3 BP 神經(jīng)網(wǎng)絡(luò)的算法BP 神經(jīng)網(wǎng)絡(luò)的全稱實(shí)際上是多層前饋網(wǎng)絡(luò)(MFNN)的反向傳播(BP,back Propagation),J,x,o為網(wǎng)絡(luò)的輸入和輸出,每個(gè)神經(jīng)元用一個(gè)節(jié)點(diǎn)表示。j 表示輸入層神經(jīng)元,i 表示隱層神經(jīng)元,k 則表示輸出層神經(jīng)元。BP 算法即基于 BP 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法,由如下 2 部分構(gòu)成:(1)前向傳播算法設(shè)某網(wǎng)絡(luò)具有 m 個(gè)輸入、q 個(gè)隱含節(jié)點(diǎn)、r 個(gè)輸出的結(jié)構(gòu),則 BP 神經(jīng)網(wǎng)絡(luò)的輸入為:x j j=1,2…m輸入層節(jié)點(diǎn)的輸出為oj1=x j j=1,2…m隱含層第 i 2i t =mj=0∑w2ij o1j i=1,2…q輸出可表達(dá)為o2i t =2i t i=1,2…q其中 w2ij 為輸入層到隱層的加權(quán)系數(shù);上標(biāo)(1)、(2)、(3) 分別代表輸入層、隱含層、輸出層,gnet2i t 為隱層活化函數(shù),這里取為 Sigmoid 活化函數(shù)。g x = 11+e-x輸出層的第 k 3k t =qi=0∑w3ik o2i t k=1,2…r輸出層的第 k 個(gè)神經(jīng)元的總輸出為:o3k t =3k t k=1,2…r在上式中,w3ik :為隱層到輸出層加權(quán)系數(shù),而 fnet3k t 則是輸出活化函數(shù)。(2)反向傳播算法若 BP 神經(jīng)網(wǎng)絡(luò)的理想輸出為 dk,在前向計(jì)算中,實(shí)際輸出 ok 與理想輸出 dk 并不相同,則需要將誤差信號從輸出端反向傳播回來,并進(jìn)行修正,使得實(shí)際輸出 ok 與理想輸出 dk 趨于一致。要進(jìn)行修正,需要選取如下目標(biāo)函數(shù)E= 12mk=1∑ dk -ok2= 12mk=1∑e2k按照梯度下降法,可以得出從神經(jīng)元 j 到神經(jīng)元 i 的 t+1 次權(quán)系數(shù)的相應(yīng)調(diào)整值wij t+1 =wij t +△wij =wij t -η墜E t墜wij i t = ∑jw ij t I j 代入 i t墜wij t=墜∑jwij t Ij墜wij t=Ij 可以得到:墜E t墜wij t= 墜E i i t墜wij t= 墜E i tIj令σi= iσi 為第 i i 對 E 的靈敏度。綜上可得墜E墜wij=σiIj分 2 種情況計(jì)算δi:第 1 種情況:當(dāng) i 為輸出層節(jié)點(diǎn)時(shí),i=k由上述公式可得σi=σk= i=i= dk-ok f' netk =-ekf' netk因此墜E t墜wij t= 墜E i i

12>

  本文關(guān)鍵詞：基于人工神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)系統(tǒng)仿真模型和算法研究，由筆耕文化傳播整理發(fā)布。