神经网络考试TIP.docVIP

模糊控制 模糊推理系统的结构：1.模糊化：1）尺度变换2）模糊处理；2.知识库，包括数据库和规则库；3.模糊推理；4.解模糊，包括：1) 将模糊量经清晰化变换成论域范围的清晰量。 2) 将清晰量经尺度变换变化成实际的控制量。 设计模糊控制器，即建立一个模糊推理系统，根据输入的精确量，得到精确的输出控制量。包括：确定基本论域和论域（比例因子） 定义模糊子集和隶属函数 设计模糊控制规则 选择模糊推理方法（max-min） 确定模糊化（单点）、清晰化的方法（重心法） 自己在做matlab时利用的什么方法进行的函数建立：matlab工具箱。 BP网络 在进行matlab编程时，函数的算法采用的哪种？批处理还是顺序学习。 （这里要注意的是算法的权值的初始化、修正步骤；把自己的编程步骤写出来）。 RBF网络 Rbf网络与bp网络各自特点： BP算法的主要优点：只要有足够多的隐层和隐节点，BP网络可以逼近任意的非线性映射关系；BP网络的学习算法属于全局逼近的方法，因而它具有较好的泛化能力。 主要缺点 RBF网络是一种局部逼近的神经网络。众所周知，BP网络用于函数逼近时，权值的调节采用的是负梯度下降法，这种调节权值的方法有它的局限性，即存在着收敛速度慢和局部极小等缺点。而RBF神经网络无论在逼近能力、分类能力和学习速度等方面均优于BP网络。径向基函数网络比BP网络需要更多的神经元。采用径向基函数网络来完成函数逼近任务，将结果同BP网络以及改进BP算法的前向网络的训练结果做比较后，发现径向基函数网络所用的时间最短。但并不等于径向基网络就可以取代其它前馈网络。这是因为径向基网络很可能需要比BP网络多得多的隐含层神经网络元来完成工作。BP网络使用sigmoid( )函数，这样的神经元有很大的输入可见区域。而径向基网络使用的径向基函数，输入空间区域很小。这就导致了在实际需要的输入空间较大时，需要很多的径向基神经元。 梯度下降法的推导： （会出一个中心向量一维的，即一个输入、两个引单元、一个输出的推导）。 Hopfield网络 DHNN怎样实现联想记忆功能的？ 联想记忆功能是DHNN的一个重要应用范围。在Hopfield网络的拓扑结构及权值矩阵均一定的情况下，网络的稳定状态将与其初始状态有关。也就是说，Hopfield网络是一种能储存若干个预先设置的稳定状态的网络。若将稳态视为一个记忆样本，那么初态朝稳态的收敛过程便是寻找记忆样本的过程。初态可认为是给定样本的部分信息，网络改变的过程可认为是从部分信息找到全部信息，从而实现了联想记忆的功能。 要想实现联想记忆，反馈网络必须具有两个基本条件：①网络能收敛到稳定的平衡状态，并以其作为样本的记忆信息；②具有回忆能力，能够从某一残缺的信息回忆起所属的完整的记忆信息。 DHNN实现联想记忆的过程分为两个阶段：学习记忆阶段和联想回忆阶段。在学习记忆阶段中，设计者通过某一设计方法确定一组合适的权值，使网络记忆期望的稳定平衡点。而联想回忆阶段则是网络的工作过程。此时，当给定网络某一输入模式，网络能够通过自身的动力学状态演化过程最终达到稳定的平衡点，从而实现自联想或异联想回忆。 CHNN怎样实现优化功能的？ CHNN主要用于优化计算。CHNN中的每个神经元上增加一个自反馈后，在神经元的输出满足一定的条件下，CHNN的纠络能量将会上升、下降或足不变。利用这一性质可以使网络的能量不足单一的下降，而足可以上升，因此可以使网络能够跳出不合理解或局部最优解，最终收敛到合理解或全局最优解。若将稳态与某种优化计算的目标函数相对应，并作为目标函数的极小点。那么初态朝稳态的收敛过程便是优化计算过程。该优化计算是在网络演变过程中自动完成的。 取性能指标函数： RBF网络隐层第i个节点的输出为： 输出层第k个节点的输出为： 由梯度下降法有： 又知 式中为第k个节点的期望输出量，它是一个与、以及均无关的量。因此， 所以： 同理有： 所以： 同理有： 所以： 总结：RBF网络调节各参数调节公式 为学习速率。 对于神经网络在电力电子中的应用，我先列举以下一些详细例子： 动态递归神经网络在异步电机控制上的应用； 神经网络硬化实现的共性技术在电力传动中应用； 神经网络在电力电子装置中的应用； 神经网络硬化实现的共性技术在电力传动中应用； 双神经网络直流传动自适应规划控制； 基于神经网络的有源电力滤波器应用 结合遗传算法的神经网络在电力电子电路故障诊断中的应用； 基于小波神经网络的电力电子电路故障模式识别 基于改进粒子群算法神经网络的电力电子电路故障诊断； 应用BP神经网络诊断电力电子电路的故障 基于神经网络的自适应PID控制器及其应用 GRNN神经网络在电力系统负荷预报中的应用 等等。 对于神经网络的认识，我们能够知道人工神经网络