Класс, представляющий оценщик нелинейности нейронной сети для нелинейных моделей ARX
net_estimator = neuralnet(Network)
neuralnet является классом, который инкапсулирует нейронную сеть нелинейной оценки. A neuralnet объект позволяет использовать сети, созданные с помощью программного обеспечения Deep Learning Toolbox™, в нелинейных моделях ARX.
Блок оценки нелинейности нейронной сети определяет нелинейную функцию (x), где F является многослойной прямой (статической) нейронной сетью, как определено в программном обеспечении Deep Learning Toolbox. y - скаляр, а x - скалярm-мерный вектор строки.
Создание многослойных нейронных сетей прямой связи с помощью таких команд Deep Learning Toolbox, как feedforwardnet (инструментарий глубокого обучения), cascadeforwardnet (инструментарий глубокого обучения) и linearlayer (инструментарий глубокого обучения). При создании сети:
Назначьте входные и выходные размеры неизвестными, оставив их нулевым значением по умолчанию (рекомендуемый метод). При оценке нелинейной модели ARX с использованием nlarx , программное обеспечение автоматически определяет размеры ввода-вывода сети.
Инициализируйте размеры вручную, установив для диапазонов ввода и вывода значение m-by-2 и 1-by-2 матрицы соответственно, где m - количество регрессоров нелинейной модели ARX, а значения диапазона являются минимальными и максимальными значениями регрессоров и выходных данных соответственно.
Дополнительные сведения см. в разделе Примеры.
Использовать evaluate(net_estimator,x) для вычисления значения функции, определенной neuralnet объект net_estimator При входном значении x. При использовании для нелинейной оценки модели ARX x представляет регрессоры модели для выходного сигнала, для которого neuralnet объект назначается в качестве оценщика нелинейности.
Вы не можете использовать neuralnet когда Focus опция в nlarxOptions является 'simulation' поскольку этот оценщик нелинейности считается недифференцируемым для оценки. Минимизация ошибки моделирования требует дифференцируемых нелинейных функций.
net_estimator = neuralnet(Network)Network создан с помощью команд панели инструментов Deep Learning feedforwardnet, cascadeforwardnet, и linearlayer. Network должно представлять статическое отображение между входами и выходом без задержек ввода-вывода или обратной связи. Количество выходов сети, если они назначены, должно быть единицей. Для нелинейных моделей ARX с несколькими выходами создайте отдельную neuralnet объект для каждого выхода - то есть каждый оценщик должен представлять сетевой объект с одним выходом.
Network | Нейронный сетевой объект, обычно созданный с помощью команд Deep Learning Toolbox feedforwardnet, cascadeforwardnet, и linearlayer. |
После создания объекта можно использовать get или точечная нотация для доступа к значениям свойств объекта. Например:
% List Network property value get(n) n.Network
Вы также можете использовать set для установки значения определенных свойств. Например:
set(d, 'Network', net_obj)
set должно быть именем переменной MATLAB ®.Создание нейронной сети нелинейной оценки с использованием прямой нейронной сети с тремя скрытыми слоями; передаточные функции типов logsig, radbas, иpurelin; и неизвестные размеры ввода и вывода.
Создать нейронную сеть.
net = feedforwardnet([4 6 1]);
net.layers{1}.transferFcn = 'logsig';
net.layers{2}.transferFcn = 'radbas';
net.layers{3}.transferFcn = 'purelin';
Просмотрите схему сети.
view(net)
Создайте нейросетевой оценщик.
net_estimator = neuralnet(net);
Создайте одноуровневую, каскадно-прямую сеть с неизвестными размерами ввода и вывода и используйте эту сеть для нелинейной оценки модели ARX.
Создайте каскадно-прямую нейронную сеть с 20 нейронами и неизвестными размерами ввода-вывода.
net = cascadeforwardnet(20);
Создание нейронной сети нелинейной оценки.
net_estimator = neuralnet(net);
Данные оценки нагрузки.
load twotankdata
Data = iddata(y,u,0.2);Оценка нелинейной модели ARX.
Model = nlarx(Data,[2 2 1],net_estimator);
Сравните отклик модели с измеренным выходным сигналом.
compare(Data,Model)
Инициализировать размеры ввода-вывода двухслойной прямой нейронной сети на основе данных оценки и использовать эту сеть для нелинейной оценки ARX.
Данные оценки нагрузки.
load iddata7 z7 z7 = z7(1:200);
Создайте шаблон нелинейной модели ARX без нелинейности.
model = idnlarx([4 4 4 1 1],[]);
Эта модель имеет шесть регрессоров и используется для определения регрессоров. Диапазон значений регрессора для входных-выходных данных в z7 затем используется для установки входных диапазонов в объекте нейронной сети, как показано на следующих шагах.
Получение значений регрессора модели.
R = getreg(model,'all',z7);
R = R.Variables;Создайте двухуровневую нейронную сеть прямой связи и инициализируйте входные и выходные размеры сети на 2 и 1 соответственно. Используйте 5 нейронов для первого слоя и 7 для второго слоя.
net = feedforwardnet([5 7]);
Определите диапазон ввода.
InputRange = [min(R);max(R)].';
Инициализировать входные измерения оценщика.
net.inputs{1}.range = InputRange;Определите диапазон вывода.
OutputRange = [min(z7.OutputData),max(z7.OutputData)];
Инициализация выходных измерений оценщика и выбор обучающей функции.
net.outputs{net.outputConnect}.range = OutputRange;
net.trainFcn = 'trainbfg';Создание нейронной сети нелинейной оценки.
net_estimator = neuralnet(net);
Укажите в модели оценщик нелинейности.
model.Nonlinearity = net_estimator;
Оцените параметры сети, чтобы минимизировать ошибку прогнозирования между данными и моделью. Модель оценки.
model = nlarx(z7,model);
Сравните прогнозируемый отклик модели на измеренный выходной сигнал.
compare(z7(1:100),model,1)
nlarx команда использует train способ network объект, определенный в программном обеспечении Deep Learning Toolbox, для вычисления значений сетевых параметров.
customnet | nlarx | sigmoidnet | treepartition | wavenet | cascadeforwardnet (глубоко изучение комплекта инструментов) | feedforwardnet (инструментарий для глубокого обучения) | linearlayer (инструментарий для глубокого обучения)