神经网络实验报告.docx

文档介绍：1 / 8
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 　 　 　 　 　
实验仪器 　 matｌab、一1 / 8
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 　 　 　 　 　
实验仪器 　 matｌab、一级倒立摆实验台 　 　　 　
系别 　 　 自动化 　 　 　 　 　 　
专业 　 　 　 　　 　
班级/学号 　 　 　
学生姓名 　 　 　　　　 　 　
实验日期 　 ２0１４年4月8日　 　　
成绩　 　 　 　 　 　 　 　 　 　
指导老师 　 　 　　 　　　　 　　
3 / 8
一级倒立摆实验
实验目的:（1）熟悉Matlab／Simuliｎｋ的使用．
　 　 (2）掌握BP神经网络的基本原理和基本的设计步骤．
　　 　　　　 　(３）了解BＰ神经网络在实际中的应用.
　 　 (４）针对简单的实际系统,　能够建立BP神经网络控制模型.
实验原理：
　
前馈型人工神经网络是整个神经网络体系中最常见的一种，其结构模型如图2所示。网络结构包含输入层、隐层(可能是多层)和输出层,它的连接方式是同层之间不相连接,相邻层之间单元为全连接型。这种网络没有反馈存在,实际运行是单向的,学习方式是一种监督式学习。
前馈型神经网络具有很强的非线性映射能力,寻找其映射是靠学习实践的,只要学习数据足够完备,就能够描述任意未知的复杂系统。因此前馈神经网络为非线性系统的建模和控制提供了有力的工具。
图１ 前馈型神经网络结构
2．BＰ算法原理
ＢP（Ｂａｃk　Ｐｒｏpａgatｉon）神经网络是一种利用误差反向传播训练算法的前馈型网络,BP学习算法实质是求取网络总误差函数的最小值问题[２］。这种算法采用非线性规划中的最速下降方法,按误差函数的负梯度方向修改权系数,它是梯度下降法在多层前馈网络中的应用。具体学习算法包括两大过程，其一是输入信号的正向传播过程,其二是输出误差信号的反向传播过程。
1．正向传播
输入的样本从输入层经过隐层单元一层一层进行处理,通过所有的隐层之后,则传向输出层；在逐层处理的过程中，每一层神经元的状态只对下一层神经元的状态产生影响。在输出层把现行输出和期望输出进行比较,如果现行输出不等于期望输出,则进入反向传播过程。
2．反向传播
反向传播时,把误差信号按原来正向传播的通路反向传回,并对每个隐层的各个神经元的权系数进行修改,以望误差信号趋向最小。网络各层的权值改变量，则由传播到该层的误差大小来决定。

BP神经网络具有以下三方面的主要优点[3］：第一,只要有足够多的隐含层和隐层节点,ＢP神经网络可逼近任意的非线性映射关系;第二，BP学习算法是一种全局