图1-4 训练数据
按【Accept Data】按钮，就接受了这些训练数据。按【Reject Data】按钮，就会放弃这些训练数据返回系统辨识窗口，并且可以重新开始。
单击【Accept Data】按钮，然后在模型辨识窗口单击【Train Network】，网络模型开始训练。训练与选择的训练算法有关（此处使用的是trainlm）。
在训练结束后，相应的结果被显示出来，如图1-4和图1-5所示。
图1-4 训练数据 图1-5 测试数据
图1-4显示的是训练数据，图1-5显示的是测试数据。在每一个图中，左上角的图显示了随机输入信号的阶跃高度和宽度；右上角显示了被控对象的输出；左下角显示了误差；右下角显示了神经网络模型的输出。
在网络模型训练后，可以模型辨识参数设置窗口单击【Train Network】按钮，继续再次使用同样的数据进行训练，也可以单击【Erase Generated Data】按钮，产生新的数据。单击【OK】按钮，可返回到神经网络预测控制窗口中。
若要接受当前的模型，在神经网络预测控制窗口中单击【OK】，将训练好的神经网络模型导入到Simulink模型窗口的NN predictive Controller 模块，准备对搅拌器模型预测神经网
络控制系统进行仿真。 3、系统仿真
在Simulink模型窗口图3-15中，首先选择【Simulation】菜单中的【parameter】命令设置相应的仿真参数，然后从【Simulation】菜单中单击【Start】命令开始仿真。仿真的过程需要一端时间。当仿真结束时，将会显示出系统的输出和参考信号。如图1-6所示。
图1-6 输出和参考信号
4、数据输入和保存 在模型辨识参数设置窗口中，利用【Import Data】和【Export Data】命令，可以从MATLAB工作空间或磁盘中输入数据，也可以将设计好的网络和训练数据保存到工作空间中或是保存到磁盘文件中。
神经网络预测控制是使用神经网络系统模型来预测系统未来的行为。优化算法用于确定控制输入，这个控制输入优化了系统在一个有限时间段里的性能。系统训练仅仅需要对于静态网络的成批训练算法，当然，训练速度非常快。控制器不要在线的优化算法，这就需要比其他控制器更多的计算。