人工神經網絡計算機仿真中matlab的應用

王嘉佳

【摘 要】人工神經網絡是目前發展較迅速的交叉學科，神經網絡可以用來計算復雜的輸入和輸出之間的關系。文中把Matlab的神經網絡工具箱與Simulink合理結合，完成神經網絡控制系統的計算仿真。

【關鍵詞】計算機神經網絡 Matlab 應用

近年來，大多控制系統的高品質控制都少不了對系統的仿真進行研究。根據仿真研究可以優化設定的控制參量，因此，控制系統的模擬與仿真一直是研究的重點。通常來說，控制系統進行計算機仿真必須首先創建系統模型，之后根據模型設定仿真城西，充分運用計算機對其進行動態模擬并展示結果。本文以計算機神經網絡為研究視角，介紹了人工神經網絡及BP網絡模型，提出設計基于Simulink控制系統及動態仿真。

一、簡述人工神經網絡

人工神經網絡又被稱為神經網絡，是由人腦結構的啟發之下創建的計算模型，人工神經網絡不單單是高度非線性動力學系統，也是自適應組織系統。神經網絡的主要特征表現在他的學習、組織及容錯能力方面。神經網絡可以采用被訓練的狀態實現特定任務，從而為系統提供獨具代表性的描述問題樣本，就是其可以成組的輸入、輸出樣本，神經網絡可以推測出輸入與輸出數據之間的關系。等到訓練完成之后，神經網絡又能永凱訓練和識別任意樣本之間相似的新數據。同時，神經網絡也能對不完整或存在噪音的數據進行識別，這一特征被廣泛使用到預測、診斷、控制方面。在最抽象的層次上，神經網絡可以看做一個黑箱，數據由一邊輸入，通過神經網絡處理之后給予相應的輸出。對比輸出及目標數值，采用產生的誤差調整網絡內部之間的鏈接權重。人工神經網絡功能如圖1所示。

二、創建BP網絡模型

BP網絡是現今使用最廣泛的神經網絡模型。該模型的學習規則是采用反向傳播（BP）對網絡的權值和閥值進行調整，卻阿伯網絡誤差的平方和達到最小狀態。這是根據最下速下降方向上進行調整網絡權值和閥值完成的。BP網絡擁有超強的非線性映射和泛化性能，任何一連續函數或映射都可以使用三層網絡來實現。如此一來，把其看做控制器就可以找到最佳的答案。使用控制器之前饋網絡通常采用m-n-1結構，這一網絡輸入層具有m個神經元，隱層存在n個神經元，輸出層則只有單一的神經元。本網絡隱層轉換為函數取tansig函數，可以把該神經元取值范圍設定為（）映射到（-1，+1），這個是可微函數，比較適合采用BP訓練神經元。若BP網絡的最后層是sigmoid型神經元，此時整個網絡的輸出就限定在比較小的范圍之內。若purelin型線性神經元，那么整個網絡的輸出可以采用任意值，選取purelin型函數當做輸出層的變換函數。

三、設計基于Simulink控制系統及動態仿真

創建Simulink動態仿真時在matlab環境下完成的動態系統建模、仿真的環境，可以采用功能模塊建立控制系統展開仿真。這種方框圖示的建模辦法比較容易把復雜的數學模型輸入至計算機內，從而簡化編程過程。

（一）設置網絡控制器

本文建立的控制系統其核心為網絡控制器，基于matlab5.2應用環境基礎上，采用兩種方法構建網絡控制器：①進入Simulink環境之后，采用Block&Toolboxes模塊庫，隨之選取Neural Network子庫的Transfer Function、Net Input Func—Tion、Weight Function三個功能模塊來建立網絡。簡言之就是先創建單個神經元模型，隨之根據閥值、權值、轉移函數一次創建輸出層、隱層，最后進行打包、封裝就形成所需的網絡，整個工作流程借助鼠標完成，便于操作。②基于M文件編輯器創建網絡控制器的S-函數，隨之調用Nonlinear模塊庫中的S—Function功能模塊，如此一來可以獲取新的功能模塊，這種辦法適合建立Simulink中不存在現成的模塊。S-函數比較簡單，容易編輯。

（二）構造控制系統

控制器構造和封裝完工之后，從Simulink的Source、Sinks、Linear模塊庫中調用所需的功能模塊，該控制系統采用示波器可以清楚觀察其輸出曲線，也能把數據存儲至MATLAB工作空間內，使用繪制命令Plot把控制系統與原系統的響應曲線畫出來。由仿真結果可知，BP網絡控制系統的性能遠比原系統要好。

四、結束語

本文從人工神經網絡和BP網絡模型進行分析，采用Matlab構造與仿真控制系統，達到優化控制系統仿真的效果的目的，仿真結果表示該辦法正確、有效。因此，大范圍推廣使用這一軟件，可以有效利用Matlab各種資源，進一步提升工程實踐水平。

參考文獻：

[1] 卓先德.網絡安全評估的仿真與應用研究[J].計算機仿真，2011，28（6）：177-180.

[2] 徐勇.神經計算機的人工神經網絡實用化研究[J].計算機光盤軟件與應用，2012，（14）：141-142.

基金項目：廣東醫學院科研基金，項目編號M2011048