神經网络MATLAB程序.docVIP

下载本文档

12
0
约1.15万字
约 20页
2017-01-15 发布于重庆
举报
版权申诉

神經网络MATLAB程序.doc

1、本文档共20页，可阅读全部内容。
2、有哪些信誉好的足球投注网站（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
8、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

神經网络MATLAB程序

模糊神经网络解耦MATLAB程序例用隶属函数型神经网与模糊控制融合的解耦程序具有耦合的两个相邻子系统的差分方程为 (7.122) 式中，随机噪声；为两个相邻子系统之间的耦合；采用隶属函数型神经网与模糊控制融合的解耦方法（DMFFCNN）方法实现解耦控制。 1) 开发的程序 p1=0.5; q1=0.5; p2=0.5; q2=0.5; p3=0.5; q3=0.5; p4=0.95; q4=0.5; p5=0.95; q5=0.5; p6=0.95; q6=0.5; p7=0.5; q7=0.5; p8=0.95; q8=0.5; p9=0.5; q9=0.5; p10=0.95; q10=0.5; p11=0.95; q11=0.5; p12=0.95; q12=0.5; p13=0.65; q13=0.05; %隶属函数型神经网的中心值、尺度因子和权向量初始化部分 a10=[-2 0 2]; a11=[-2 0 2]; a20=[-2 0 2]; a21=[-2 0 2]; b10=[1.5 1.5 1.5]; b11=[1.5 1.5 1.5]; b20=[1.5 1.5 1.5]; b21=[1.5 1.5 1.5]; v0=[-1 -0.5 -0.5;-0.5 0 0.5;0.5 0.5 1]; v1=[-1 -0.5 -0.5;-0.5 0 0.5;0.5 0.5 1]; %系统部分的初值 yp0=0; yp1=0; ep0=0; ep1=0; up0=1.05; up1=1.39; x1=0.12; x2=0.24; y0=0; y1=0; u1=0; e0=0; e1=0; sp=10; k=1; se=0.02; sd=0.02; su=0.0522; %开始 kp=0.284; ki=0.03; kd=0.626; %the second channel reference p12=0.5; q12=0.5; p22=0.5; q22=0.5; p32=0.5; q32=0.5; p42=0.95; q42=0.5; p52=0.95; q52=0.5; p62=0.95; q62=0.5; p72=0.5; q72=0.5; p82=0.95; q82=0.5; p92=0.5; q92=0.5; p102=0.95; q102=0.5; p112=0.95; q112=0.5; p122=0.95; q122=0.5; p132=0.65; q132=0.05; %系统部分的初值 yp02=0; yp12=0; ep02=0; ep12=0; up02=1.05; up12=1.39; x12=0.12; x22=0.24; y02=0; y12=0; u12=0; e02=0; e12=0; sp2=5; k=1; se2=0.02; sd2=0.02; su2=0.0522; kp2=0.284; ki2=0.03; kd2=0.626; %+++++++++++++++++++++++++++++++++++++++%子系统1(SUB1)的J循环开始 for J=1:50 ep1=10-yp1; pid=kp*(ep1-ep0)+ki*ep1; up2=up1+pid; yp2=0.5*yp1+2.5*up2+2.5*up1; %yp2=0.8333*yp1-0.1667*yp0+1.6667*up2+1.6667*up1; yp(:,J)=yp2; up0=up1; up1=up2; ep0=ep1; yp0=yp1; yp1=yp2; end time=[1:1:50]; n=0.28*rand(size(time)); %产生的SUB1随机噪声 n1=0.3*rand(size(time));%产生的SUB2随机噪声 while(k=50) %function deal with for(T=1:20) X1=x1*se; X2=x2*sd; if(X1=-2) X1=-2; elseif(X1=2) X1=2; end if(X2=-2) X2=-2; elseif(X2=2) X2=2; end %the hiddening layer output of FNN for i=1:3 for j=1:3 A=[(X1-a11(:,i))/b11(:,i)].^2; B=[(X2-a21(: