大学毕业论文--基于神经网络的非线性自适应控制研究

青岛科技大学本科毕业设计（论文）青岛科技大学本科毕业设计（论文）PSE）。这种方法利用统计分析，用表达式表示网络的推广性能•该表达式是训练集的性能、系统中自由参数的个数、训练集大小等的函数。J.Moody针对一个利用复杂性正则化（ComplexityRegularization）项来训练的系统，提出后了广义预测误差（GeneralizedPredicationError.OPE方法。由于所州的复杂性正则化项，有效参数比赛际参数数口少得多。Freeman等从理论上分析了RBF网络的推广能力的问厝。通过对推广能力与训练数据对、最优训练参数及基函数的相互作用的分析，得出了以下结论：1、当权值矢量完全可以用学习教导出时.RBF的推广能力与所训练的数据数成正比。2、 为了达到RBF网络较好的推广能力，网络的训练参数也需要最优的设置，基函数交叠强的RBF网络具有较好的推广能力，并有利于提高网络的学习速度。这些结论对实际应用具有较好的指导作用。4.5RBF神经网络逼近特性从上面的描述我们可以知道，RBF神经两络具有最佳逼近特性，任意给出一个未知的非线性函数f,总可以得到组权值使得RBF网络对于厂的逼近优于所有其它可能的选择。下面，利用MATLAB软件来仿真RBF神经网络的逼近特性。所做的工作是对于同一个RBF神经网络，选择不同的连续函数，来模拟仿真其逼近特性.在网络设计中，采用高斯函数作为基函数，误差指标设为0.01。1、逼近函数T二sin（X二），cos（2X二）•X2，仿真结果如图4.2和图4.3所示图4.2逼近函数T=sin（X二）-cos（2X二）X2图4.3逼近误差性能2、逼近函数T=sin（2X二）•cos（X二），仿真结果如图4.4和图4.5所示

富近西KT-sia(ZXit)+c■ 丄 ■ 丄 丄__■1占 ”T 45 0 05■入矢■图4.4逼近函数T二sin（2X二），cos（X二）ZZ芷ffii&oSB*ESt图4.5逼近误差性能从上面的仿真结果我们可以比较看出，同一个 RBF神经网络，对不同的连续函数，其逼近效果非常好，逼近误差也在一定的时间内能达到了期望的要求,这也说明了该RBF神经网络具有比较好的推广能力。结束语随着人类社会的发展和科技的进步，无论在丁作还是日常生活中，人们对智能化的要求都会越来越高，正是这种要求推动和促进了智能控制的发展和应用，而神经网络控制作为智能控制一个重要的前沿分支，其关于学习、联想和记忆等具有智能特点过程的机理及其模拟方面的特性为解决人类的需求提供了有力的工具，再加上与其他前沿学科的交叉融合，该领域的研究必将越来越热烈深入，应用也必将越来越广泛，所以神经网络控制的研究具有广阔的发展前景和发展空间。但从其发展历史来看，这个领域的研究既充满诱惑又不乏挑战，没有人能肯定以后它的不会再经受挫折，也没有人知道它会给人类社会带来多人的辉煌和巨变。但只要坚持不懈地努力，神经网络研究的新理论和新方法必定会使我们的社会越来越美好，使我们的生活越来越舒适。作为一名初学者，对神经网络控制的理论、方法和技术等都掌握得不够深入和全面，许