rbf神经网络参数设置_基于梯度下降法的RBF神经网络逼近(03)

在EBF网络设计中,需要注意的是将cj和b值设计在网络输入有效的映射范围内,否则高斯基函数将不能保证实现有效的映射,导致RBF网络的失效。采用梯度下降法调节cj和b值是一种有效的方法。在RBF网络设计中,如果将cj和b的初始值设计在有效的映射范围内,则只调节网络的权值便可实现RBF网络的有效学习。

1.采用RBF神经网络逼近模型:G(s)=133/(s^2+25s)

设计网络结构:2-5-1

输入变量:x(1)=u(t)=sin(t);x(2)=y(t)“待逼近模型的输出值”

学习率:0.5

动量因子:0.05

(1) 根据提供的传递函数模型可知:系统的微分方程为y''+25y'+0y=133u;

(2) 根据变化公式可直接得到系统的状态空间表达式为:A=[0,1;-1,-25];B=[0;133];C=[1,0]。所以,x1'=x2;x2'=-25*x2+133u;y=x1。

%% 待逼近传递函数模型的“S函数表达形式”

rbf神经网络参数设置_基于梯度下降法的RBF神经网络逼近(03)_第1张图片
图1 输入sint[-1,1]测试待逼近模型的输出值范围

rbf神经网络参数设置_基于梯度下降法的RBF神经网络逼近(03)_第2张图片
图2 仿真结果显示:y(t)的取值范围是[0,10.63]

所以,高斯基函数的中心值参数取值为:Cj=[-1,-0.5,0,0.5,1;-10,-5,0,5,10]。

bj=1.5

%% RBF神经网络【仅调节隐藏层到输出层权值】源程序

rbf神经网络参数设置_基于梯度下降法的RBF神经网络逼近(03)_第3张图片
图3 整体Simulink仿真模型

rbf神经网络参数设置_基于梯度下降法的RBF神经网络逼近(03)_第4张图片
图4 仿真结果

问题:在初始参数设置的时候,高斯基函数的基宽是如何选取的?

参考文献:《RBF神经网络自适应控制MATLAB仿真》_刘金琨

你可能感兴趣的:(rbf神经网络参数设置)