《Elman神經(jīng)網(wǎng)絡(luò).ppt》由會員分享，可在線閱讀，更多相關(guān)《Elman神經(jīng)網(wǎng)絡(luò).ppt（15頁珍藏版）》請在裝配圖網(wǎng)上搜索。

第九章 Elman神經(jīng)網(wǎng)絡(luò),Elman網(wǎng)絡(luò)結(jié)構(gòu),帶反饋的BP網(wǎng)絡(luò) 行程遲滯具有短期記憶功能,Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)特點,四層：輸入層、中間層（隱藏層）、承接層和輸出層 承接層：又稱為上下文層或狀態(tài)層，記憶隱含層前一時刻的輸出 對歷史狀態(tài)敏感，增加處理動態(tài)信息的能力，可動態(tài)建模,Elman網(wǎng)絡(luò)神經(jīng)元,輸入層：沒有神經(jīng)元 隱藏層：S神經(jīng)元 承接層：沒有神經(jīng)元 輸出層：線性神經(jīng)元,Elman網(wǎng)絡(luò)學習算法,也采用BP算法進行權(quán)值修正，指標函數(shù)為誤差平方和,Elman網(wǎng)絡(luò)的構(gòu)建,NET = NEWELM(PR,[S1 S2.SNl],{TF1 TF2.TFNl},BTF,BLF,PF) PR - Rx2 維矩陣，表示R個輸入的范圍 Si -每層有幾個神經(jīng)元 TFi – 每層神經(jīng)元的類型 BTF – 訓練算法，默認為 'traingdx'. BLF – 學習算法，默認為 'learngdm'. PF - 表現(xiàn)函數(shù)，默認為 'mse',例一：構(gòu)建一個Elman網(wǎng)絡(luò),構(gòu)建一個單輸入、單輸出，隱藏層有5個神經(jīng)元的Elman網(wǎng)絡(luò) 輸入網(wǎng)絡(luò)的IW，LW1和LW2進行觀察分析（維數(shù)） 隨機產(chǎn)生一個輸入向量，觀察相應輸出 為輸入向量指定期望輸出進行訓練 觀察訓練后網(wǎng)絡(luò)的輸出,振幅檢測,檢波、低通濾波,例二：應用Elman網(wǎng)絡(luò)進行振幅檢測,意義：演示Elman網(wǎng)絡(luò)如何進行時間模式識別和分類（低通濾波） 實現(xiàn)方法 設(shè)置輸入（兩種振幅的正弦波）和期望輸出 建立網(wǎng)絡(luò)并根據(jù)輸入和期望輸出進行訓練 用原輸入信號對網(wǎng)絡(luò)進行測試 用一組新的輸入信號（頻率和振幅都有改變）對網(wǎng)絡(luò)進行測試,例三：基于Elman網(wǎng)絡(luò)的空調(diào)負荷預測,空調(diào)系統(tǒng)的逐時負荷是按時間順序排列的數(shù)字序列，它們之間有某種統(tǒng)計意義上的關(guān)系，很難用函數(shù)描述 空調(diào)負荷預測問題：多變量、強耦合、嚴重非線性、動態(tài)性 要求：根據(jù)過去的N（N≥1）個數(shù)據(jù)預測未來M（M ≥1 ）個時刻的值,預測方法的選取,神經(jīng)網(wǎng)絡(luò)方法的優(yōu)勢 并行、分布式、自組織 靜態(tài)網(wǎng)絡(luò) BP網(wǎng)絡(luò)：系統(tǒng)定階困難、規(guī)模大、收斂慢 動態(tài)網(wǎng)絡(luò) Elman：適應時變特性,樣本數(shù)據(jù)的分段方法,空調(diào)負荷數(shù)據(jù),每天只選9~12四個小時的負荷,基于Elman網(wǎng)絡(luò)的空調(diào)負荷預測步驟,構(gòu)造訓練樣本：每3天的負荷作為輸入向量，第4天的復合作為目標向量（三組訓練樣本，第7天的數(shù)據(jù)作測試） 網(wǎng)絡(luò)結(jié)構(gòu)：輸入層12維，輸出層4個神經(jīng)元，中間層神經(jīng)元設(shè)置為13個 設(shè)置訓練參數(shù)，最大訓練次數(shù)1000 用第7天的數(shù)據(jù)做測試,Elman網(wǎng)絡(luò)小結(jié),結(jié)構(gòu)：帶反饋的BP網(wǎng)絡(luò)（在隱藏層反饋） 特點：有短期記憶功能 應用：時間模式識別和分類,