FOC永磁同步电机控制:MATLAB/Simulink仿真建模与PI参数整定全流程

六、永磁同步电机矢量控制(FOC)—电流环与速度环PI参数整定实战与仿真验证 本文深入探讨了永磁同步电机矢量控制(FOC)中电流环与速度环PI参数整定的核心实战方法。通过建立数学模型,详细讲解了基于零极点对消和典型II型系统的参数计算流程,并结合MATLAB/Simulink仿真,对比分析了参数整定前后系统的启动、抗扰及跟踪性能,为工程师提供了从理论到实践的系统性调试指南。 阅读详情

做电机控制这些年,我见过太多人一上手就用PID死磕无刷电机:调速度环、调位置环,试遍各种PID参数,结果要么转速抖得跟筛子似的,要么带载就哗哗掉速,噪声大、发热高,怎么调都不对味。最后才反应过来——不是PID不行,而是你用错了坐标系。对永磁同步电机这种交流电机来说,直接在三相静止坐标系里做PID,本质上是在跟一个每时每刻都在变化的耦合系统搏斗,难度完全是自找的。FOC(Field Oriented Control,磁场定向控制)就是干这个的:把交流电机的问题通过坐标变换,化成两个近似独立的直流电机问题,再让PID去处理干净的直流量。说白了,FOC不是用来取代PID的,而是给PID提供一个好打的靶子。这篇文章我会用MATLAB/Simulink,从零搭一套完整的FOC仿真模型,从坐标变换、双闭环结构到PI参数计算全部走一遍,初始化脚本会完整贴出来,适合刚接触FOC、被公式劝退、以及调参调到怀疑人生的朋友。搭完你会明白,FOC没那么玄乎,它就是一整套“怎么看电流、怎么把电流变直、再怎么吐回去”的流程。

1. 先想明白:FOC不是推翻PID,而是把PID用在该用的地方

1.1 单环PID控直流电机没问题,控交流电机就露怯了

先讲个直白的事实:PID本身是线性控制器,它最舒服的工作环境,是“输入和输出之间近似线性、且参数不随时间变化”。直流永磁电机就是典型例子——你给电枢加电压,电流随电压线性变化,转矩又跟电流线性相关,一个速度环套一个电流环,PID上去就能调得服服帖帖。

但到了永磁同步电机(PMSM)这里,事情就变了。定子三相绕组在空间上相差120度,转子位置还在不停转,反电动势是正弦波,电感也随转子位置变化。你在静止坐标系里给某一相施加电压,产生的转矩跟转子在哪个位置强相关——同样幅值的电压,转子在这个位置可能转得很欢,换个位置就纹丝不动甚至反转。这种情况下,你加一个PID速度环去调节PWM占空比,等于在一个强耦合、强时变的系统上做线性控制,参数怎么调都只能“凑合”,低速转矩脉动、带载抖动、发热这些问题根本压不住。

所以别再看“PID行不行”了,问题出在“PID控制的对象选错了”。FOC的思路,是先把电机数学模型做一个解耦处理,把交流的三相电流变成旋转坐标系下两个独立的直流分量,然后再用PID去调这两个直流分量。PID依然是核心控制器,只是它不再需要亲自面对那些正弦交流量了。

1.2 FOC到底在干什么:坐标变换把交流量变成直流量

FOC整个控制链路的本质,就是“三相电流 -> 两相静止电流 -> 两相旋转电流”,在旋转坐标系里完成PID调节,再把电压指令反变换回三相坐标系。这个“旋转坐标系”,就是同步随着转子磁极一起转的坐标系,也叫dq坐标系。

为什么要跟转子同步转?因为从转子的视角看出去,定子电流如果被分解成两个方向的分量——一个沿着转子磁极方向(d轴),一个垂直于转子磁极方向(q轴)——那这两个分量在稳态下就是恒定的直流。d轴电流主要负责建立磁场,q轴电流负责产生转矩。对于表贴式永磁同步电机,d轴电感等于q轴电感,转矩公式约等于 T = 1.5·p·ψf·iq,所以让id=0,iq直接就是转矩的线性控制量。这样一来,电机控制问题就被降维成了“一个直流电流调节问题”,PID在这套体系里自然好使。

整套控制逻辑分三步走:先用Clarke变换把三相电流投影到静止的αβ坐标系,再用Park变换把αβ电流投影到随转子旋转的dq坐标系,PID在dq坐标系里输出ud、uq电压指令,再经过反Park变换回到αβ电压,最后用SVPWM或SPWM调制出逆变器的开关信号。中间的坐标变换和反变换,是整个FOC的骨架,也是新手最容易搞混的地方。

1.3 你需要的数学基础,其实就四个公式

先别被“坐标变换”这四个字吓到。扯了一堆矩阵推导,落到代码里其实就四个公式:

Clarke变换(三相电流到两相静止电流):

ialpha = 2/3 * (ia - 0.5*ib - 0.5*ic);
ibeta  = 2/3 * (sqrt(3)/2*ib - sqrt(3)/2*ic);

Park变换(静止电流到旋转dq电流):

id = ialpha*cos(theta) + ibeta*sin(theta);
iq = -ialpha*sin(theta) + ibeta*cos(theta);

反Park变换(dq电压到αβ电压):

ualpha = ud*cos(theta) - uq*sin(theta);
ubeta  = ud*sin(theta) + uq*cos(theta);

注意这个2/3系数,不同教材习惯不一样,有的用等幅值变换(2/3),有的用等功率变换(sqrt(2/3))。在Simulink里用自带电机模块时,一定要跟对方模块内部的变换保持同一套约定,否则电流环会莫名其妙静差大、甚至发

手把手教你用Matlab/Simulink实现永磁同步电机FOC控制(Id=0策略) 本文为嵌入式工程师提供了基于Matlab/Simulink实现永磁同步电机FOC控制的详细实战指南。文章聚焦于Id=0控制策略,从仿真环境搭建、核心算法模块(坐标变换、PI控制器、SVPWM)的逐行代码实现,到系统化的参数整定方法和典型问题排查,手把手教你构建一个可工作、可调试的数字孪生模型,助力快速掌握电机矢量控制核心技术。 阅读详情

相关推荐

永磁同步电机FOC电流环PI参数整定:从理论推导到实践调优

本文详细解析了永磁同步电机FOC电流环PI参数整定的全过程,从理论推导到实践调优。通过数学模型解析、PI控制器设计原理、工程实践参数整定及常见问题解决方案,帮助工程师快速掌握电流环调参技巧,提升电机控制性能。重点介绍了零极点对消设计法和实测调试口诀,适用于各类电机控制应用场景。

w8x9y0z1的博客 818

从零搭建FOC电机控制仿真:MATLAB/Simulink实战与PI参数整定

电机控制中,PID调参往往陷入困境,其根源在于交流电机本身具有非线性、强耦合和多变量特性。FOC(磁场定向控制)通过坐标变换,将三相交流电流解耦为励磁分量和转矩分量,使交流电机获得类似直流电机的控制特性。这种控制架构在工业伺服、新能源汽车和机器人领域广泛应用,成为高性能电机驱动的标准方案。借助MATLAB/Simulink平台,可以低成本、高效率地搭建FOC仿真模型,验证坐标变换、SVPWM调制及PI参数整定逻辑,缩短从算法验证到嵌入式移植的周期。本文从FOC原理出发,介绍双闭环控制架构、Clarke/Pa

weixin_33881140的博客 297

基于Simulink的永磁同步电机FOC控制建模与仿真实践

永磁同步电机(PMSM)驱动控制中,磁场定向控制(FOC)凭借其优异的动态性能和转矩控制精度,成为主流方案。FOC的核心思想是通过坐标变换将三相交流电流解耦为直轴与交轴分量,进而以类似直流电机的控制方式独立调节励磁与转矩。借助Simulink平台,工程师可以快速搭建包含坐标变换、SVPWM及双闭环PI控制器的完整仿真模型,验证控制算法并整定参数。从理论推导到模型搭建,从仿真调试到嵌入式迁移,FOC技术广泛应用于新能源汽车、工业伺服和机器人关节等领域。以实操笔记形式,系统梳理PMSM的FOC控制仿真全流程,重

weixin_34347651的博客 408

FOC电流环设计:从PMSM数学模型到PI参数整定

在电机控制系统中,传递函数是描述系统动态特性的核心数学模型,它将复杂的物理系统抽象为输入与输出之间的关系,是控制器设计的理论基础。其原理基于拉普拉斯变换,将时域微分方程转换为复频域的代数方程,从而便于分析系统稳定性、频率响应和设计补偿器。掌握传递函数推导与建模的技术价值在于,使工程师能从本质上理解被控对象,实现从经验试凑到模型驱动的科学设计转变,显著提升系统性能与开发效率。这一方法在伺服驱动、机器人、新能源汽车等对动态性能要求苛刻的应用场景中至关重要。本文聚焦于磁场定向控制(FOC)这一高性能电机控制方案,

weixin_33691700的博客 637

Simulink永磁同步电机FOC仿真建模与参数整定实战

矢量控制(FOC)是永磁同步电机(PMSM)驱动系统的核心算法,其本质是通过坐标变换将三相交流量解耦为直流量,从而实现对转矩与励磁的独立控制。在工程实践中,PI参数整定、SVPWM调制及死区补偿等环节直接影响控制性能。借助Simulink进行模型在环仿真,可在纯软件环境中验证电流环与速度环的时序配合与参数匹配,显著降低硬件试错成本。该方案广泛应用于电驱系统课程设计、毕业设计及工业伺服开发,并支持从仿真到代码生成的无缝部署。

weixin_29194255的博客 203

PMSM Simulink仿真实战:从FOC算法到PI整定与排障

永磁同步电机(PMSM)凭借高功率密度和高效能,成为工业伺服与新能源汽车驱动的核心。其控制算法研发高度依赖系统级仿真验证,MATLAB/Simulink作为业界标准平台,可实现电机本体、逆变器与控制算法的联合建模。基于磁场定向控制(FOC)框架,通过Clarke/Park坐标变换、SVPWM调制及电流/速度双闭环PI调节,能够有效逼近真实驱动系统特性。本文以Simulink仿真为主线,梳理PMSM模型搭建、坐标变换工程实现、PI参数整定思路,并总结仿真发散、代数环、步长选择等高频问题的排查经验,为电机控制领

weixin_33827731的博客 393

Matlab/Simulink永磁同步电机调速仿真:从建模到PI整定

永磁同步电机凭借高效率和高功率密度,在工业伺服、新能源汽车等驱动领域应用广泛。其高性能调速通常依赖矢量控制技术,通过坐标变换实现磁场与转矩解耦,并借助速度环与电流环组成的双闭环结构,以及合理的PI参数整定,获得快速、平稳的动态响应。在实际工程中,Matlab/Simulink是验证电机控制算法和系统性能的重要平台,能够安全高效地完成模型搭建、参数调试与工况预演。本文围绕永磁同步电机调速系统的仿真实践,系统梳理了dq坐标系下的数学模型、逆变器与SVPWM调制实现、双闭环控制架构、PI参数整定方法以及常见波形异

weixin_29190651的博客 327

MATLAB/Simulink永磁同步电机FOC闭环仿真与参数整定实战

永磁同步电机(PMSM)矢量控制(FOC)是新能源驱动、伺服系统等领域的核心技术,其本质是通过Clarke/Park变换解耦d-q轴电流,结合PI调节器实现转矩与磁场的独立控制。理解SVPWM生成原理、Id=0弱磁策略及电流/速度环耦合特性,是突破‘理论懂、仿真卡’断层的关键。本文基于可运行的MATLAB/Simulink工程级源码,覆盖真实电机建模、七段式SVPWM死区补偿、Bode图法电流环整定、Ziegler-Nichols速度环调试等核心环节,特别适配刚掌握《电机拖动》基础、亟需动手验证FOC闭环行

weixin_29175469的博客 225

MATLAB/Simulink环境下永磁同步电机PMSM仿真建模与控制实战

如果你需要“又快又稳又省电”,选 FOC;如果你只想“让它转就行”,V/f 也能凑合。工程师的价值,就是在合适的地方用合适的方案 🧰这一整套流程下来,你会发现:建模不是目的,而是手段;仿真是为了更快地试错,最终服务于真实系统的调试与优化。当你能在 Simulink 里完美复现一台电机的启动、加速、加载、故障全过程,那你离真正掌握它就不远了。🔧 所以别停下,继续往下挖:- 加入温度变化对电阻的影响- 引入铁损、涡流损耗模型。

weixin_34413326的博客 512

永磁同步电机FOC仿真建模与PI参数整定实战指南

磁场定向矢量控制(FOC)是永磁同步电机高性能控制的基石,通过坐标变换将三相交流量解耦为励磁与转矩分量,使交流电机获得类似直流的控制灵活性。工程实践中,模型搭建与参数整定往往比理论推导更考验细节:电流环与速度环的带宽选择、PI参数的计算公式、限幅与抗积分饱和策略,都会直接影响系统动态响应与稳定性。在MATLAB/Simulink环境中,工程师时常遇到数据字典缺失(如找不到can.sldd)导致模型无法运行的问题,同时电机参数的精确性也依赖可靠的参数辨识手段。本文围绕一套完整的PMSM FOC仿真模型,从模块

weixin_27017211的博客 166

交换机基本介绍(分类、性能指标、硬件构成及工作方式)

一、交换机的分类与性能指标 1.1交换机的分类 按照网络构成方式来分的话,交换机分为三类:接入层交换机、汇聚层交换机和核心层交换机。 按照OSI模型来划分的话,分为:二层交换机、三层交换机和四层交换机 还有一种按照硬件形态来划分,可以分成两类:盒式交换机和机框式交换机。 盒式交换机是一种有固定端口数,有时也会带有少量扩展槽的交换机。机架式交换机是一种插槽式的交换机,这种交换机扩展性较好,可支持不同的网络类型,可支持更大端口密度的网络。一般在数据中心的接入层都会采用盒式交换机,盒式...

monologuezjp的博客 4万+

华三模拟器实战:3分钟搞定路由器DHCP地址池配置(附常见错误排查)

本文提供华三模拟器中路由器DHCP地址池的实战配置指南。通过分步详解,帮助用户在3分钟内完成基础设置,并深入讲解多地址池、中继配置等进阶应用。文章重点剖析了DHCP服务无法工作的常见原因,提供从客户端到服务器的系统性排错方法,助力快速定位并解决地址分配失败、获取参数错误等典型问题。

w1x2y3的博客 364

公文派2025:免费社区版重大安装更新!

距离上一次更新已经过去了将近一年的时间,今天我们带来了全新的免费2025社区版,该版本也是目前最新的版本,无需授权即可使用所有的功能。

似最初 1964

自研SSD固件:从零实现固态硬盘底层存储控制系统

本文探讨了自主开发SSD固件的可行性及实现方案。分析表明,虽然NAND Flash控制协议标准化且存在开源参考实现,但开发仍面临FTL设计复杂度高、性能调优等挑战。推荐采用FPGA平台(如Xilinx Zynq-7000)搭配SLC NAND Flash的方案,预计开发周期9-12个月。系统采用分层架构设计,包含主机接口层、FTL层和闪存接口层,核心模块需实现NAND Flash底层驱动、地址映射管理和垃圾回收等功能。文中提供了关键数据结构和基础驱动代码示例,包括页读写、块擦除等操作。该方案着重解决NAND

电脑管家 1897

物联网Node-Red开发教程-第6章 HTTP与Web服务

本章摘要(147字): 本章系统讲解了Node-RED中的HTTP节点应用,重点包括: 三大核心HTTP节点功能:http in(接收请求)、http response(返回响应)、http request(调用外部API) 详细演示了REST API开发流程,包括路径参数(req.params)处理和响应构造 提供了创建Hello World API、传感器数据接口等实用示例 涵盖HTTP方法特性、状态码设置及响应头配置等关键知识点 通过流程图和JSON配置直观展示节点连接方式,帮助快速掌握Web服务开发

shihui2003的博客 269

Far planner代码系列(2)

graph_decoder系列(2) 承接上文 我们接着来看decoder_node.cpp的代码部分 void GraphDecoder::Init() { /* initialize subscriber and publisher */ //graph_sub_ 订阅节点/robot_vgraph 其类型是visibility_graph_msg/Graph的消息 graph_sub_ = nh.subscribe("/robot_vgrap...

博客 1535

Unity大世界流式加载:工业级架构与优化秘籍

游戏大厂Unity大世界流式加载框架全景解析:从《原神》《和平精英》等标杆案例出发,深入剖析工业级流式加载的完整技术架构。文章系统介绍了大世界分区块管理、异步加载机制、资源优化策略、多平台适配方案,以及业务联动与团队协作流程。重点阐述了Addressable与AssetBundle应用、空间触发器设计、性能自适应等核心技术,并展望AI预测加载、云游戏等未来方向。全面展现了大厂如何通过流式加载技术实现无缝开放世界体验的技术路径与实践经验。

本博客聚焦游戏开发技巧、创业实战心得及大学热门课程干货。这里既有技术深度,也有思维广度,无论你是开发者、创业者还是高校学子,都能在这里找到适合自己的成长之路! 614

电脑技巧:Hyper-V安装UOS操作系统图文教程

今天给大家分享微软官方Hyper-v虚拟机管理软件安装UOS操作系统图文教程,感兴趣的朋友也可以下载试一试,当然有啥问题也可以互相沟通交流!

IT技术分享社区 4710

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

0粉丝 0原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址