BP神经网络（检测故障的实例）神经网络

【BP神经网络（检测故障的实例）】

文章图片

文章图片

文章图片

BP神经网络的运用
输入p=[-1 -1 2 2 ; 0 5 0 5];
t=[-1 -1 2 2];
然后生成与输入输出对应的神经网络
net=newff(minmax(p),[3 1],{'tansing','perelin'},'traingd');

接下来设定网络参数
net.p=trainParam.lr=0.05; 学习速率
net.trainParam.epochs=300; 迭代次数
net.trainParam.goal=1.0e-5; 误差最大值

[net tr]=train(net,p,t)对神经网络进行训练

对值进行预测

y=sim(net,p)

1\traingd表示训练方法就是用什么方法迭代权值和偏置
2\改善的方法：有动量的梯度下降法traingdm
3|可变学习速率的梯度下降法traingda
4\弹性梯度下降法trainrp

常用的传递函数是logsigtansigpurelin
BP神经网络函数的逼近、

k=1; p=[0:0.05:4]; t=sin(k*pi*p); plot(p,t,'-'); xlabel('时间‘）；ylabel('输入信号’）； net=newff(minmax(p),[10 1],{'tansig','purelin'}，‘trainlm'); y1=sim(net,p); plot(p,t,'-','p,y1,'--');

如果效果不好可以对神经网络进行训练、

net.trainParam.ir=0.05;
net.trainParam.epochs=300;
net.trainParam.goal=1.0e-5;
[net tr]=train(net,p,t);

回归问题由于神经网络可以对任意形状的函数曲线进行拟合，所以BP神经网络可以进行回归

可以用于识别
BP神经网络对故障的检测：

P11=[0.64 1.37 0.71 0.78]'; P12=[0.68 1.31 0.64 1.31]'; P21=[1.65 1.66 0.94.48]'; P22=[1.35 1.39 0.95 2.89]'; P31=[8.24 2.23 0.99 2]'; P41=[2.01 1.65 0.94 4.39]'; P51=[0.93 1.33 0.73 1.54]'; P=[P11 P12 P21 P22 P31 P41 P51]; t11=[0 0 0 0]'; t12=[0 0 0 0]'; t21=[1 0 0 0]'; t22=[1 0 0 0]'; t31=[0 1 0 0]'; t41=[0 0 1 0]'; t51=[0 0 0 1]'; t=[t11 t12 t21 t22 t31 t41 t51]; net=newff(minmax(P),[8,4],{'logsig','purelin'},'trainlm'), net.trainParam.show = 100, net.trainParam.epoch = 2000, net.trainParam.goal= 1e-3, [net,tr]=train(net,P,t),Ptest11=[0.64 1.37 0.71 0.78]'; Ptest12=[0.68 1.31 0.64 1.31]'; Ptest13=[0.91 1.35 0.75 1.59]'; Ptest14=[0.69 1.38 0.68 0.9]'; Ptest21=[3.89 2.01 0.88 20.1]'; Ptest22=[1.65 1.66 0.94.48]'; Ptest23=[1.35 1.39 0.95 2.89]'; Ptest31=[8.24 2.23 0.99 2]'; Ptest41=[2.01 1.65 0.94 4.39]'; Ptest51=[0.93 1.33 0.73 1.54]'; Ptest=[Ptest11 Ptest12 Ptest13 Ptest14 Ptest21 Ptest22 Ptest23 Ptest31 Ptest41 Ptest51]; result_test = sim(net, Ptest)'