智能控制導論報告bp神經網絡模糊控制-資料下載頁
2025-06-19 03:19本頁面
【正文】 X2=[1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1]39。X=[A(:) I(:) O(:)]。T0=[1。1。1]。T1=[1。1。1]。T2=[1。1。1]。T=[T0 T1 T2]。% 建立網絡，并得權值和閾值[R N1]=size(X)。[S2 N1]=size(T)。S1=10。 % 隱含層的個數(shù)% minmax(X)表示輸入向量，[S1 S2]表示隱含層和輸出層的個數(shù)% 隱含層和輸出層的激活函數(shù)為39。tansig39。，39。traingdx39。表示反向權值學習函數(shù)net=newff(minmax(X), [S1 S2], {39。tansig39。, 39。tansig39。}, 39。traingdx39。)。w={2,1}。b={1}。b={2}。y1=sim(net,X)。% 利用不含噪聲的理想輸入數(shù)據(jù)訓練網絡，并得權值和閾值=39。sse39。 % 平方和偏差函數(shù)=。 % 訓練目標偏差=5000。 % 訓練時間=20。 % 計算步長=。 % 動量參數(shù)[net,tr]=train(net,X,T)。w={2,1}。b={1}。b={2}。y2=sim(net,X)。% 為使網絡對輸入有一定容錯能力，再分別利用不含和含有噪聲的輸入數(shù)據(jù)訓練網絡=。 % 訓練目標偏差=500。 % 訓練時間net1=net。T1=[T T T T]。for i=1:10 X1=[X X (X+randn(R,N1)*) (X+randn(R,N1)*)]。 [net1,tr]=train(net1,X1,T1)endy3=sim(net1,X)。% 為了保證網絡總能夠正確地對理想輸入信號進行識別，再次用理想信號進行訓練[net1,tr]=train(net1,X,T)。w={2,1}。b={1}。b={2}。y5=sim(net,X2) %樣本測試六、結果分析結果輸出y5 = 16
環(huán)評公示相關推薦
鄂ICP備17016276號-1