Класс, представляющий средство оценки нелинейности нейронной сети для нелинейных моделей ARX
net_estimator = neuralnet(Network)
neuralnet является классом, который инкапсулирует средство оценки нелинейности нейронной сети. Объект neuralnet позволяет вам использовать сети, созданное программное обеспечение Deep Learning Toolbox™ использования, в нелинейных моделях ARX.
Средство оценки нелинейности нейронной сети задает нелинейную функцию , где F является многоуровневой прямой каналом (статической) нейронной сетью, как задано в программном обеспечении Deep Learning Toolbox. y является скаляром, и x является m - размерный вектор - строка.
Вы создаете многоуровневые прямые каналом нейронные сети с помощью команд Deep Learning Toolbox, таких как feedforwardnet, cascadeforwardnet и linearlayer. Когда вы создаете сеть:
Определяйте размеры ввода и вывода быть неизвестными путем оставления их в значении по умолчанию нуля (рекомендуемыми метод). При оценке нелинейной модели ARX с помощью команды nlarx программное обеспечение автоматически определяет размеры ввода - вывода сети.
Инициализируйте размеры вручную путем установки областей значений ввода и вывода на m-by-2 и 1 2 матрицы, соответственно, где m является количеством нелинейных регрессоров модели ARX, и значения области значений являются минимальными и максимальными значениями регрессоров и выходных данных, соответственно.
Смотрите Примеры для получения дополнительной информации.
Используйте evaluate(net_estimator,x), чтобы вычислить значение функции, определяемой объектом neuralnet net_estimator во входном значении x. Когда используется для нелинейной оценки модели ARX, x представляет образцовые регрессоры для вывода, для которого объект neuralnet присвоен как средство оценки нелинейности.
Вы не можете использовать neuralnet, когда опцией Focus в nlarxOptions является 'simulation', потому что это средство оценки нелинейности считается недифференцируемым для оценки. Минимизация ошибки симуляции требует дифференцируемых нелинейных функций.
net_estimator = neuralnet(Network)Network, созданный с помощью команд Deep Learning Toolbox feedforwardnet, cascadeforwardnet и linearlayer. Network должен представлять статическое отображение между входными параметрами и вывод без задержек ввода-вывода или обратной связи. Количество выходных параметров сети, если присвоено, должно быть тем. Для нескольких - выводит нелинейные модели ARX, создают отдельный объект neuralnet для каждого вывода — то есть, каждое средство оценки должно представлять сетевой объект одно вывода.
Network | Объект нейронной сети, обычно созданное использование команд Deep Learning Toolbox feedforwardnet, cascadeforwardnet и linearlayer. |
После создания объекта можно использовать get или запись через точку, чтобы получить доступ к значениям свойства объекта. Например:
% List Network property value get(n) n.Network
Можно также использовать функцию set, чтобы установить значение конкретных свойств. Например:
set(d, 'Network', net_obj)
set должен быть именем переменной MATLAB®.Создайте средство оценки нелинейности нейронной сети с помощью прямой каналом нейронной сети с тремя скрытыми слоями; передаточные функции типов logsig, radbas и purelin; и неизвестные размеры ввода и вывода.
Создайте нейронную сеть.
net = feedforwardnet([4 6 1]);
net.layers{1}.transferFcn = 'logsig';
net.layers{2}.transferFcn = 'radbas';
net.layers{3}.transferFcn = 'purelin';
Просмотрите сетевой график.
view(net)
Создайте средство оценки нейронной сети.
net_estimator = neuralnet(net);
Создайте одноуровневую, прямую каскадом сеть с неизвестными размерами ввода и вывода и используйте эту сеть для нелинейной оценки модели ARX.
Создайте прямую каскадом нейронную сеть с 20 нейронами и неизвестными размерами ввода - вывода.
net = cascadeforwardnet(20);
Создайте средство оценки нелинейности нейронной сети.
net_estimator = neuralnet(net);
Загрузите данные об оценке.
load twotankdata
Data = iddata(y,u,0.2);Оцените нелинейную модель ARX.
Model = nlarx(Data,[2 2 1],net_estimator);
Сравните образцовый ответ на измеренный выходной сигнал.
compare(Data,Model)
Инициализируйте размеры ввода - вывода нейронной сети форварда канала 2D слоя на основе данных об оценке и используйте эту сеть для нелинейной оценки ARX.
Загрузите данные об оценке.
load iddata7 z7 z7 = z7(1:200);
Создайте шаблон нелинейная модель ARX без нелинейности.
model = idnlarx([4 4 4 1 1],[]);
Эта модель имеет шесть регрессоров и используется, чтобы задать регрессоры. Область значений значений регрессора для данных ввода - вывода в z7 затем используется, чтобы установить входные диапазоны в объекте нейронной сети, как показано на следующих шагах.
Получите значения регрессора модели.
R = getreg(model,'all',z7);Создайте 2D слой, прямую каналом нейронную сеть и инициализируйте сетевые размерности ввода и вывода к 2 и 1, соответственно. Используйте 5 нейронов для первого слоя и 7 для второго слоя.
net = feedforwardnet([5 7]);
Определите входной диапазон.
InputRange = [min(R);max(R)].';
Инициализируйте входные размерности средства оценки.
net.inputs{1}.range = InputRange;Определите выходную область значений.
OutputRange = [min(z7.OutputData),max(z7.OutputData)];
Инициализируйте выходные размерности средства оценки.
net.outputs{net.outputConnect}.range = OutputRange;Создайте средство оценки нелинейности нейронной сети.
net_estimator = neuralnet(net);
Задайте средство оценки нелинейности в модели.
model.Nonlinearity = net_estimator;
Оцените, что параметры сети минимизируют ошибку прогноза между данными и моделью. Модель Estimate.
model = nlarx(z7,model);
Сравните предсказанный ответ модели на измеренный выходной сигнал.
compare(z7(1:100),model,1)
Команда nlarx использует метод train объекта network, заданного в программном обеспечении Deep Learning Toolbox, чтобы вычислить сетевые значения параметров.
cascadeforwardnet | customnet | feedforwardnet | linearlayer | nlarx | sigmoidnet | treepartition | wavenet