第4章神经网络基本理论王耀楠智能控制.ppt

第四章 神经网络基本理论 4.1 人工神经元模型 4.1 人工神经元模型 4.1 人工神经元模型 4.1 人工神经元模型 4.1 人工神经元模型 4.2 神经网络的定义和特点 4.3 感知器模型 4.3 感知器模型 4.3 感知器模型 4.4 神经网络的构成和分类 4.4 神经网络的构成和分类 4.4 神经网络的构成和分类 4.4 神经网络的构成和分类 4.4 多层前向BP神经网络 4.4 多层前向BP神经网络 4.4 多层前向BP神经网络 4.4 多层前向BP神经网络 4.4 多层前向BP神经网络 4.4 多层前向BP神经网络 4.5 大脑自组织神经网络 4.5 大脑自组织神经网络 4.5 大脑自组织神经网络 4.5 大脑自组织神经网络 4.5 大脑自组织神经网络 4.6 小脑神经网络 4.6 小脑神经网络 4.6 小脑神经网络 4.6 小脑神经网络 4.6 小脑神经网络 4.6 小脑神经网络 4.6 小脑神经网络 4.6 小脑神经网络 4.6 小脑神经网络 4.6 小脑神经网络 4.6 小脑神经网络 4.6 小脑神经网络 4.6 小脑神经网络 4.7 模糊神经网络 1. 单模式训练情况 输入为：X=[0 0 1] 结果： W=[ 0.1122 0.0000 0.0000 0.0000 0.9028 0.8289 0.5208 0.4608 0.4435 0.4433 0.0000 0.0000 0.0000 0.4511 0.1663 0.7181 0.4453 0.3663 0.4668 1.0000 1.0000 1.0000 0.8045 0.3939 0.5692 0.0877 0.3025] 输入为：X=[0 1 0] 结果： W=[0.1122 0.0147 0.2816 0.7839 0.9028 0.8289 0.0000 0.0000 0.0000 0.4433 0.6641 0.2618 0.9862 0.4511 0.1663 1.0000 1.0000 1.0000 0.4668 0.7241 0.7085 0.4733 0.8045 0.3939 0.0000 0.0000 0.0000] 2. 多模式训练情况 1 0 0 0 1 0 0 0 1 Input= 训练结果： 0.0000 0.0000 1.0000 1.0000 1.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 W＝ 网络输出： Output=Input*W= 0.0000 0.0000 1.0000 1.0000 1.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 模式1 模式2 模式3 模式2 模式1 模式3 模式1 模式2 模式3 小脑模型关节控制器（CMAC）是由Albus最初于1975年基于神经生理学提出的，它是一种基于局部逼近的简单快速的神经网络，能够学习任意多维非线性映射, 迄今已广泛用于许多领域。 CMAC具有优点： 具有局部逼近能力，每次修正的权值极少，学习速度快，适合于在线学习； 一定的泛化能力，相近输入给出相近输出，不同输入给出不同输出； CMAC的原理 CMAC是一种模仿人类小脑的学习结构。在这种技术里，每个状态变量被量化并且输入空间被划分成离散状态。量化的输入构成的向量指定了一个离散状态并且被用于产生地址来激活联想单元中存储的联想强度从