《MATLAB程序代码人工神经网络及其工程应用》由会员分享，可在线阅读，更多相关《MATLAB程序代码人工神经网络及其工程应用（39页珍藏版）》请在金锄头文库上搜索。
1、个人收集整理勿做商业用途封面个人收集整理勿做商业用途作者： Pan Hongliang仅供个人学习MATLAB程序代码 -人工神经网络及其工程应用个人收集整理勿做商业用途目录第一章人工神经网络31.131131231.24215226667 1.3731Hopfield732(BP)833Kohonen834(ART)935LVQ11 1.412个人收集整理勿做商业用途41BP1242BP131314431544BP151516-174517171717171.5 18第二章遗传算法192.1192.2192.320个人收集整理勿做商业用途2.4 20第三章基于神经网络的水布垭面板堆石坝变形控
2、制与预测3.1 233.2243.3253.425412542263.5 3051 30523553BPCOPEL353.6 38第四章BP 网络与遗传算法在面板堆石坝设计参数控制中的应用4.1394.2394.34041个人收集整理勿做商业用途个人收集整理勿做商业用途第一章人工神经网络1.1人工神经网络简介1 1 人工神经网络的起源人工神经网络（Artificial Neural Network,简称ANN）研究的先锋，美国心理学家Warren S McCulloch和数学家Walter H Pitts曾于1943年提出一种叫做 “似脑机器 ”（ mindlike machine）的思想，这
3、种机器可由基于生物神经元特性的互连模型来制造,这就是神经学网络的概念。他们构造了一个表示大脑基本组成部分的神经元模型，对逻辑操作系统表现出通用性。随着大脑和计算机研究的进展，研究目标已从“似脑机器 ”变为 “学习机器 ”，为此一直关心神经系统适应律的心理学家于1949年提出了学习模型。1957年Rosenblatt首次提出感知器，并设计一个引人注目的结构。到60 年代初期，关于学习系统的专用设计指南有Widrow等提出的Adaline(adaptive linear element,即自适应线性元)以及Steinbuch等提出的学习矩阵。由于感知器的概念简单，因而在开始介绍时对它寄托很大希望。
4、然而，不久之后 Minsky 和 Papert 从数学上证明了感知器不能实现复杂逻辑功能 1 。到了 70 年代，Grossberg和 Kohonen 对神经网络研究作出重要贡献。以生物学和心理学证据为基础，Grossberg 提出几种具有新颖特性的非线性动态系统结构。该系统的网络动力学由一阶微分方程建模，而网络结构为模式聚集算法的自组织神经实现。基于神经元组织自己来调整各种各样的模式的思想，Kohonen发展了他在自组织映像方面的研究工作。Werbos在70 年代开发一种反向传播算法。Hopfield一种递归型神经网络，这种网络就是有名的在神经元交互作用的基础上引入Hopfield网络。在8
5、0 年代中叶，作为一种前馈神经网络的学习算法，Parker和Rumelhart等重新发现了反回传播算法。如今，神经网络的应用越来越广泛了1。1 2 人工神经网络的特点及应用人工神经网络是由许多神经元互连在一起所组成的复杂网络系统。它是在现代神经学研究成果基础上提出的，能模拟人的若干基本功能。它具有并行分布的信息处理结构，是通过“学习”或“训练”的方式完成某一特定的工作。其最显著的特点是具有自学习能力，并在数据含有噪音、缺项或缺乏认知时能获得令人满意的结论，特别是它可以从积累的工作实例中学习知识，尽可能多地把各种定性定量的影响因素作为变量加以输入，建立各影响因素与结论之间的高非线性映像，采用自适
6、应模式识别方法完个人收集整理勿做商业用途成此工作。它对处理内部规律不甚了解、不能用一组规则或方程进行描述的较复杂问题或开放的系统显得较为优。按照神经元的连接方式，人工神经网络可分为两种：没有反馈的前向网络和相互结合型网络。前向网络是多层映像网络，每一层中神经元只接受来自前一层神经元的信号，因此信息的传播是单方向的。BP 网络是这类网络最典型的例子。在相互结合型的网络中，任意神经元之间都可能有连结，因此，输入信号要在网络中往返传播，从某一初态开始，经过若干变化，渐渐趋于某一稳定状态或进入周期震荡等其它状态，这方面的网络有 Hopfield 网络、 SOM 网络等。网络的学习能力体现在网络参数的调
7、整上。参数调整方法为有教师学习和无教师学习两种基本方式。有教师学习方式是网络根据教师给出的正确输入模式，校正网络的参数，使其输出接近于正确模式。这类方式常采用梯度下降的学习方法，如BP 算法。而无教师学习是网络在没有教师直接指点下通过竞争等方式自动调整网络参数的学习方法，如自适应共振网络。神经网络就是由许多神经元互连在一起所组成的神经结构。把神经元之间相互作用的关系进行数学模型化就可以得到神经网络模型。目前已有几十种不同的神经网络模型。代表的网络模型有感知器、反向传播BP 网络、GMDH 网络、RBF 网络、双向联想记忆 （ BAM ）、Hopfield 网络、Boltsmann机、自适应共振
8、网络（ ART ）、自组织特征映像（ SOM ）网络等。运用这些网络模型可实现函数近似（数字逼近映像）、数据聚类、模式识别、优化计算等功能，因此，人工神经网络广泛用于人工智能、自动控制、机器人、统计学、工程学等领域的信息处理中。1.2 人工神经网络的结构神经网络的结构是由基本处理单元及其互连方法决定的。2 1 神经元及其特性人工神经网络的基本处理 单 元在神 经网络中的作用与 神经生理学中神经元的作用相似，因此，人工神经网络的基本处理单元往往被称为神经元。人工神经网络结构中的神经元模型模拟一个生物神经元，如图1.2.1所示。该神经元单元由多个输入， i=1,2,.,n和一个输出组成。中间状态由
9、输入信号的加权和与修正值表示，而输出为:（ 1.2.1 ）图神经元模型个人收集整理勿做商业用途式中 , j 为神经元单元的偏置（阈值）， wji 为连接权系数（对于激发状态，wji 取正值，对于抑制状态，wji 取负值）， n 为输入信号数目，yj 为神经元输出， t 为时间， f() 为输出变换函数， 有时叫做激发或激励函数，往往采用0 和 1 二值函数或形函数，见图，这三种函数都是连续和非线性的。一种二值函数如图（ a）所示 ,可由下式表示：一种常规的形函数如图（ b）所示，可由下式表示：,(1.2.3)常用双曲正切函数（如图（ c）来取代常规形函数，因为形函数的输出均为正值，而双曲正切函
10、数的输出值可为正或负。双曲正切函数如下式所示：，(1.2.4)图神经元中的某些变换（激发）函数2 2 神经网络的基本类型人工神经网络的基本特性人工神经网络由神经元模型构成；这种由许多神经元组成的信息处理网络具有并行分布结构。每个神经元具有单一输出，并且能够与其它神经元连接；存在许多（多重）输出连接方法，每种连接方法对应一个连接权系数。严格地说，人工神经网络是一种具有下列特性的有向图：（）对于每个节点存在一个状态变量xi ；（）从节点i 至节点j ，存在一个连接权系数wji ；（）对于每个节点，存在一个阈值j ；（）对于每个节点， 定义一个变换函数f j ( xi , wji ,j ),ij ；对于最一般的情况，此函数取形式。人工神经网络的基本结构(1) 递归网络 在递归网络中，多个神经元互连以组织一个互连神经网络，如图所示。有些神经元的输出被反馈至同层或前层神经元。因此，信号能够从正向和反向流通。Hopfield 网络， Elmman 网络和 Jordan个人收
