neuralnet
Класс, представляющий оценку нелинейности нейронной сети для нелинейных моделей ARX
Синтаксис
net_estimator = neuralnet(Network)
Описание
neuralnet - класс, который инкапсулирует оценщик нелинейности нейронной сети. A neuralnet позволяет использовать сети, созданные с помощью программного обеспечения Deep Learning Toolbox™, в нелинейных моделях ARX.
Оценка нелинейности нейронной сети задает нелинейную функцию , где F является многослойной прямой (статической) нейронной сетью, как определено в программном обеспечении Deep Learning Toolbox. y является скаляром, а x - m-мерный вектор-строка.
Вы создаете многослойный feedforward нейронные сети с помощью команд Deep Learning Toolbox, таких как feedforwardnet (Deep Learning Toolbox), cascadeforwardnet (Deep Learning Toolbox) и linearlayer (Deep Learning Toolbox). Когда вы создаете сеть:
Определите вход и выходные размеры, которые будут неизвестны, оставив их в значение , равное нулю (рекомендуемый метод). При оценке нелинейной модели ARX используя
nlarxкоманда автоматически определяет входно-выходные размеры сети.Инициализируйте размеры вручную путем установки входных и выходных областей значений равными
m-by-2 и 1 на 2 матрицы, соответственно, гдеm- количество нелинейных регрессоров модели ARX и значения области значений являются минимальными и максимальными значениями регрессоров и выходных данных, соответственно.
Для получения дополнительной информации см. раздел Примеры.
Использование evaluate(net_estimator,x) вычислить значение функции, заданное как neuralnet net_estimator объекта при входном значении x. При использовании для нелинейной оценки модели ARX x представляет регрессоры модели для выхода, для которого neuralnet объект назначается как средство оценки нелинейности.
Вы не можете использовать neuralnet когда Focus опция в nlarxOptions является 'simulation' потому что этот оценщик нелинейности рассматривается как недифференцируемый для оценки. Минимизация ошибки симуляции требует дифференцируемых нелинейных функций.
Конструкция
net_estimator = neuralnet(Network)Network создан с использованием команд Deep Learning Toolbox feedforwardnet, cascadeforwardnet, и linearlayer. Network должен представлять статическое отображение между входами и выходом без задержек ввода-вывода или обратной связи. Количество выходов сети, если оно назначено, должно быть единичным. Для нелинейных моделей ARX с несколькими выходами создайте отдельную neuralnet объект для каждого вывода - то есть каждый оценщик должен представлять объект сети с одним выходом.
Свойства
Network | Объект нейронной сети, обычно созданный с помощью команд Deep Learning Toolbox feedforwardnet, cascadeforwardnet, и linearlayer. |
После создания объекта можно использовать get или запись через точку для доступа к значениям свойств объекта. Для примера:
% List Network property value get(n) n.Network
Вы также можете использовать set функция для задания значения конкретных свойств. Для примера:
set(d, 'Network', net_obj)
set должно быть именем MATLAB® переменная.Примеры
Создайте оценку нелинейности Feedforward используя нейронную сеть
Создайте оценку нелинейности нейронной сети, используя feedforward нейронную сеть с тремя скрытыми слоями; передаточные функции типов logsig, radbas, и purelin; и неизвестные входные и выходные размеры.
Создайте нейронную сеть.
net = feedforwardnet([4 6 1]);
net.layers{1}.transferFcn = 'logsig';
net.layers{2}.transferFcn = 'radbas';
net.layers{3}.transferFcn = 'purelin';
Просмотрите сетевую схему.
view(net)
Создайте оценщик нейронной сети.
net_estimator = neuralnet(net);
Оценка нелинейной модели ARX с помощью оценки нелинейности нейронной сети
Создайте однослойную каскадно-прямую сеть с неизвестными входами и выходных параметров и используйте эту сеть для оценки нелинейной модели ARX.
Создайте каскадно-прямую нейронную сеть с 20 нейронами и неизвестными размерами ввода-вывода.
net = cascadeforwardnet(20);
Создайте оценщик нелинейности нейронной сети.
net_estimator = neuralnet(net);
Данные оценки нагрузки.
load twotankdata
Data = iddata(y,u,0.2);Оцените нелинейную модель ARX.
Model = nlarx(Data,[2 2 1],net_estimator);
Сравните реакцию модели с измеренным выходным сигналом.
compare(Data,Model)
Инициализируйте входно-выходные размеры оценки нелинейности нейронной сети
Инициализируйте размеры входного-выходного сигнала двухслойного feedforward нейронной сети на основе данных оценки и используйте 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. Область значений значений регрессора для входно-выходных данных в z7 затем используется, чтобы задать входные области значений в объекте нейронной сети, как показано на следующих шагах.
Получите значения регрессора модели.
R = getreg(model,'all',z7);
R = R.Variables;Создайте двухслойную прямую нейронную сеть и инициализируйте входную и выходную размерности сети, равные 2 и 1, соответственно. Используйте 5 нейронов для первого слоя и 7 для второго слоя.
net = feedforwardnet([5 7]);
Определите входную область значений.
InputRange = [min(R);max(R)].';
Инициализируйте входные размерности оценщика.
net.inputs{1}.range = InputRange;Определите выходную область значений.
OutputRange = [min(z7.OutputData),max(z7.OutputData)];
Инициализируйте выходные размерности оценщика и выбор обучающей функции.
net.outputs{net.outputConnect}.range = OutputRange;
net.trainFcn = 'trainbfg';Создайте оценщик нелинейности нейронной сети.
net_estimator = neuralnet(net);
Задайте оценку нелинейности в модели.
model.Nonlinearity = net_estimator;
Оцените параметры сети, чтобы минимизировать ошибку предсказания между данными и моделью. Оценочная модель.
model = nlarx(z7,model);
Сравните предсказанную реакцию модели с измеренным выходным сигналом.
compare(z7(1:100),model,1)
Алгоритмы
nlarx команда использует train метод network объект, заданный в программном обеспечении Deep Learning Toolbox, для вычисления значений сетевых параметров.
См. также
customnet | nlarx | sigmoidnet | treepartition | wavenet | cascadeforwardnet (Deep Learning Toolbox) | feedforwardnet (Deep Learning Toolbox) | linearlayer (Deep Learning Toolbox)