Elman神经网络

第九章Elman神经网络Elman网络结构带反馈的BP网络行程迟滞具有短期记忆功能Elman神经网络结构特点四层：输入层、中间层（隐藏层）、承接层和输出层承接层：又称为上下文层或状态层，记忆隐含层前一时刻的输出对历史状态敏感，增加处理动态信息的能力，可动态建模Elman网络神经元输入层：没有神经元隐藏层：S神经元承接层：没有神经元输出层：线性神经元Elman网络学习算法)1()()))1(()(()())(()(213kxkxkuwkxwfkxkxwgkycc也采用BP算法进行权值修正，指标函数为误差平方和nkkkwywywE12)](~)([)(Elman网络的构建NET=NEWELM(PR,[S1S2...SNl],{TF1TF2...TFNl},BTF,BLF,PF)PR-Rx2维矩阵，表示R个输入的范围Si-每层有几个神经元TFi–每层神经元的类型BTF–训练算法，默认为'traingdx'.BLF–学习算法，默认为'learngdm'.PF-表现函数，默认为'mse'例一：构建一个Elman网络构建一个单输入、单输出，隐藏层有5个神经元的Elman网络输入网络的IW，LW1和LW2进行观察分析（维数）随机产生一个输入向量，观察相应输出为输入向量指定期望输出进行训练观察训练后网络的输出振幅检测检波、低通滤波例二：应用Elman网络进行振幅检测意义：演示Elman网络如何进行时间模式识别和分类（低通滤波）实现方法设置输入（两种振幅的正弦波）和期望输出建立网络并根据输入和期望输出进行训练用原输入信号对网络进行测试用一组新的输入信号（频率和振幅都有改变）对网络进行测试例三：基于Elman网络的空调负荷预测空调系统的逐时负荷是按时间顺序排列的数字序列，它们之间有某种统计意义上的关系，很难用函数描述空调负荷预测问题：多变量、强耦合、严重非线性、动态性要求：根据过去的N（N≥1）个数据预测未来M（M≥1）个时刻的值预测方法的选取神经网络方法的优势并行、分布式、自组织静态网络BP网络：系统定阶困难、规模大、收敛慢动态网络Elman：适应时变特性样本数据的分段方法空调负荷数据每天只选9~12四个小时的负荷基于Elman网络的空调负荷预测步骤构造训练样本：每3天的负荷作为输入向量，第4天的复合作为目标向量（三组训练样本，第7天的数据作测试）网络结构：输入层12维，输出层4个神经元，中间层神经元设置为13个设置训练参数，最大训练次数1000用第7天的数据做测试Elman网络小结结构：带反馈的BP网络（在隐藏层反馈）特点：有短期记忆功能应用：时间模式识别和分类