智能控制课程设计

12020年4月19日智能控制课程设计《智能控制》课程设计报告题目：采用BP网络进行模式识别院系：专业：姓名：学号：指导老师：日期：年月日目录文档仅供参考-2-2020年4月19日1、课程设计的目的和要求………………………………32、问题描述………………………………………………33、源程序…………………………………………………34、运行结果………………………………………………65、总结……………………………………………………7课程设计的目的和要求文档仅供参考-3-2020年4月19日目的：1、经过本次课程设计进一步了解BP网络模式识别的基本原理，掌握BP网络的学习算法2、熟悉matlab语言在智能控制中的运用，并提高学生有关智能控制系统的程序设计能力要求：充分理解设计内容，并独立完成实验和课程设计报告问题描述采用BP网络进行模式识别。训练样本为3对两输入单输出样本，见表7-3。是采用BP网络对训练样本进行训练，并针对一组实际样本进行测试。用于测试的3组样本输入分别为1,0.1；0.5,0.5和0.1,0.1。表7-3训练样本说明：该BP网络可看做2-6-1结构，设权值wij，wjl的初始值取【-1，+1】之间的随机值，学习参数η=0.5，α=0.05.取网络训练的最终指标E=10^（-20），在仿真程序中用w1,w2代表wij，wjl，用Iout代表x＇ｊ。源程序%网络训练程序clearall;closeall;输入输出10100001-1文档仅供参考-4-2020年4月19日xite=0.50;alfa=0.05;w2=rands(6,1);w2_1=w2;w2_2=w2;w1=rands(2,6);w1_1=w1;w1_2=w1;dw1=0*w1;I=[0,0,0,0,0,0]';Iout=[0,0,0,0,0,0]';FI=[0,0,0,0,0,0]';k=0;E=1.0;NS=3;whileE=1e-020k=k+1;times(k)=k;fors=1:1:NS文档仅供参考-5-2020年4月19日xs=[1,0;0,0;0,1];ys=[1,0,-1]';x=xs(s,:);forj=1:1:6I(j)=x*w1(:,j);Iout(j)=1/(1+exp(-I(j)));endy1=w2'*Iout;el=0;y=ys(s,:);el=el+0.5*(y(1)-y1(1))^2;es(s)=el;E=0;ifs==NSfors=1:1:NSE=E+es(s);endend文档仅供参考-6-2020年4月19日ey=y-y1;w2=w2_1+xite*Iout*ey+alfa*(w2_1-w2_2);forj=1:1:6S=1/(1+exp(-I(j)));FI(j)=S*(1-S);endfori=1:1:2forj=1:1:6dw1(i,j)=xite*FI(j)*x(i)*ey(1)*w2(j,1)endendw1=w1_1+dw1+alfa*(w1_1-w1_2);w1_2=w1_1;w1_1=w1;w2_2=w2_1;w2_1=w2;endEk(k)=E;endfigure(1);plot(times,Ek,'r');文档仅供参考-7-2020年4月19日xlabel('k');ylabel('E');savewfilew1w2;%网络训练程序clearall;loadwfilew1w2;x=[1,0.1;0.5,0.5;0.1,1];fori=1:1:3forj=1:1:6I(i,j)=x(i,:)*w1(:,j);Iout(i,j)=1/(1+exp(-I(i,j)));endendy=w2'*Iout';y=y'运行结果文档仅供参考-8-2020年4月19日样本训练的收敛过程W1的值W2的值文档仅供参考-9-2020年4月19日输入输出10.10.91590.50.50.00870.11-0.9190测试样本及结果总结本次课程设计对我们来说还是存在一定的难度的，毕竟在这之前一直就没有做过课程设计，对BP网络识别理论感到生疏，另外对matlab软件也并不熟悉，属于现学现用的那种，但这却激发着我们对知识的渴望，不断地上网查资料，一遍又一遍的翻着书本，不断地探索着BP网络模式识别的原理，重复地研读着书本上的例题，让我们原本望而止步的事情终究是在我们的努力之下完成了！经过本次课程设计，进一步了解了神经网络自学习、自组织和并行处理等特征，体会到了它强大的模式识别能力，熟悉了BP神经网络的学习算法，同时也体验了matlab软件在智能控制系统应用中强悍的数据处理能力！当然，在本次侧成设计中，由于程序相对于我们以前接触的来说比较长，因此在设计及程序输入时都要特别细心，不过好在matlab软件中只要已输入一些比较明显的错误它都能马上做出提示！