基于LabVIEW的BP曲线逼近算法.docx

基于LabVIEW的BP曲线逼近算法.docx

ID:59918196

大小:179.40 KB

页数:8页

时间:2020-11-27

基于LabVIEW的BP曲线逼近算法.docx_第1页
基于LabVIEW的BP曲线逼近算法.docx_第2页
基于LabVIEW的BP曲线逼近算法.docx_第3页
基于LabVIEW的BP曲线逼近算法.docx_第4页
基于LabVIEW的BP曲线逼近算法.docx_第5页
资源描述:

《基于LabVIEW的BP曲线逼近算法.docx》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库

1、石家庄铁道大学研究生课程考试答题纸培养单位_电气与电子工程学院学科专业_电力电子与电力传动课程名称_数字图像处理__任课教师____王硕禾________考试日期____2012/5/30______学生姓名____郭影_________学号_____120111104_____研究生学院研究生课程考试答题纸基于LabVIEW的BP曲线逼近算法1、LabVIEWLabVIEW是美国国家器公司(NI)公司开的形化程言,相比与文本型程言,种形化的程言具有直、便、快速、易于开和便于等点,在虚器和控系开等相关域得到了日益广

2、泛的用。神网的程序往往算量大,循复,以往在写些程序,都是使用如VC++、Matlab等文本式程言。比而言,以LabVIEW代表的形化程言不但形象、直、便捷,而且具有功能大的数学运算和分析工具,尤其是便捷的表示功能,利用LabVIEW可以方便的建立各仿真模型,行相的仿真。所以本文合BP神网理和LabVIEW形化的程思想,BP神网的学算法行仿真。2、BP神网的算法BP网的学程是由正向播和差反向播成,把入本从入到含元,含元逐理后生一个出,至出,个程正向播,如果出没有得到所期望的入,把期望和出的差信号按原路径返回,并通修改

3、各神元的接,使差信号最小。个程反向播。第一入,第Q出,中含,如1.1。第q的神元个数nq,入到第q的第i个神元的接系数(q)(i=1,2,⋯,nq-1),网的入出wij关系nq1(q1)(q1)(q)(q)s(q)(q)x(x,1)iwj0iw0ijij0(q)(q)1i1,2,,nqq1,2,Qxif(si)1esi(q)q1,2,nq1y1y2yn...输出层...隐含层输入层x1x2xn图2.1神元网第1页研究生课程考试答题纸设给定P组输入输出样本x(p0)[x(p01)x(p02)设定拟合误差的代价函数为1

4、PnQPE(dpixpi(Q))2Ep2p1i1p1采用一阶梯度法调节连接权系数E最小。最后归纳出BP网络的学习算法如下:Wij(q)(k1)wij(q)(k)Dij(q)(k1),Dij(q)(piq)xpj(q1)nq1x(pn00)]T,dp[dp1dp2dpn]Q0(q)((q1)(q1))(q)(1(q))pipkwkixpixpik1qQ,Q1,,1i1,2,,nqj1,2,,nq13、利用BP神经网络进行曲线逼近本实验选取的学习样本,输入样本点Xi(i1,2,,nq)为(0,1)上的随机数,这些随机

5、数由LabVIEW自带的函数产生。该神经网络为三层结构的神经网络,即由输入层,隐含层和输出层组成,输入层为单输入,含100个神经元,隐含层只有一层,神经元个数为10,输出层为单输出,神经元个数为100。程序流程如下所示第2页研究生课程考试答题纸初始化设定学习样本赋值权值初值学习次数是否达到是否画出BP拟合曲线和学习求出隐含层,输入层各画出拟合样本输出与样本样本曲线单元输出输出的误差曲线权值修正求出目标值和实际输出结束的偏差根据误差梯度由输出偏差计算出隐含层输出偏差在了解BP曲线拟合算法后,用LabVIEW编程,这主

6、要是由于LabVIEW基于数据流的编程风格非常适合描述神经网络的正向传播和误差反向传播的过程,在本程序中,用while循环和移位寄存器作为主要的循环手段,中间计算过程综合采用LabVIEW的矩阵运算和数组运算,不仅简化了算法编程的难度,而且结构清晰。4、程序代码(1)本程序需在LabVIEW软件上运行,程序代码见附录。(2)前面板导出图第3页研究生课程考试答题纸在面板上可以实时显示训练过程曲线和误差曲线,通过右下方的输入控件可以设置训练要达到的精度和最大训练次数,两个指示灯用来指示训练是以完成设置精度结束还是以完成

7、训练次数结束,误差显示控件显示训练结束时的误差大小。5、实验结果(1)训练样本和输入样本(2)训练过程第4页研究生课程考试答题纸(3)训练完成训练20次后误差为0.000468243,达到了精度要求(小于0.0005),训练停止。(4)误差曲线6、心得体会第5页研究生课程考试答题纸由于本次程序中采用的神经单元模型的输出变换函数为f(x)1x,神经单元的1输出是在(0,1)开区间内,所以选取ysinx的正半周期作为学习曲线,虽然训练效果很好但是由于神经单元模型的限制,该训练函数适用范围很有限,要想突破这个局限需要另选

8、神经单元模型的输出变换函数,或者通过其他方法解决。其次由于对于阈值的修正没有一个好的修正算法,同时也为了简化算法,本实验中没设计关于阈值修正,直接是默认的阈值0。再次,在本实验中BP网络采用的一组样本对应一组权值,而不是所有的样本使用同一组样本。这样学习效率提高,学习比较快,缩短学习时间,但是权值数量比较庞大。总之各种方法都各有优缺点,可以根据实际的情况去选

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。