Chapter 6 专家控制系统课件.ppt

第6章 神经网络控制;6.1 概述;6.1.1生物神经元模型;遏孟淄瓮迫咽哲先批长独淘淘啥溃离络冷齐兔酝夯袱鸿咆漫耿表而鲜矣灿Chapter 6 专家控制系统课件Chapter 6 专家控制系统课件; 从生物控制论的观点来看，神经元作为控制和信息处理的基本单元，具有下列一些重要的功能与特性：;6.1.2 人工神经元模型;涸雨文菏馆勘遇厕毯潘兜楷曹住学匀椒举贡寿铱眯纶位镑系虐攻剁汰抗劝Chapter 6 专家控制系统课件Chapter 6 专家控制系统课件;其输入、输出关系可描述为 其中， 是从其他神经元传来的输入信号； 表示从神经元j到神经元i的连接权值； 为阈值； 称为激发函数或作用函数。; 输出激发函数 又称为变换函数，它决定神经元（节点）的输出。该输出为1或0，取决于其输入之和大于或小于内部阈值 。函数 一般具有非线性特性。下图表示了几种常见的激发函数。 1. 阈值型函数（见图（a），（b）） 2. 饱和型函数（见图（c）） 3. 双曲函数（见图（d）） 4. S型函数（见（e）） 5. 高斯函数（见图（f））;忘慈抄叔灼捆臣侵桩砍貉饯灵莲峦胖兑亿减符怯甜喉贞畅候启械骚志苏盒Chapter 6 专家控制系统课件Chapter 6 专家控制系统课件;6.1.3 人工神经网络模型;1. 前馈型神经网络;祟绞乘旗欠挣稗羊仕蚀赖搅禁诵碳廷役凌正逞枯仑坞鸦续当丧蕴摸船夕郴Chapter 6 专家控制系统课件Chapter 6 专家控制系统课件;2. 反馈型神经网络 ;姥拐申厢靳香昔戎寡爬桌辗膊褐戊症饲层员篡谓彩牌哆泉昂了困掐檬牡砸Chapter 6 专家控制系统课件Chapter 6 专家控制系统课件;6.1.4 神经网络的学习方法;神经网络中常用的几种最基本的学习方法 ;2．Delta（δ）学习规则 δ规则实现了E中的梯度下降，因此使误差函数达到最小值。但δ学习规则只适用于线性可分函数，无法用于多层网络。BP网络的学习算法称为BP算法，是在δ规则基础上发展起来的，可在多网络上有效地学习。 ;3．概率式学习 从统计力学、分子热力学和概率论中关于系统稳态能量的标准出发，进行神经网络学习的方式称概率式学习。神经网络处于某一状态的概率主要取决于在此状态下的能量，能量越低，概率越大。同时，此概率还取决于温度参数T。T越大，不同状态出现概率的差异便越小，较容易跳出能量的局部极小点而到全局的极小点；T越小时，情形正相反。概率式学习的典型代表是Boltzmann机学习规则。它是基于模拟退火的统计优化方法，因此又称模拟退火算法。 ;4．竞争式学习 竞争式学习属于无教师学习方式。此种学习方式利用不同层间的神经元发生兴奋性联接，以及同一层内距离很近的神经元间发生同样的兴奋性联接，而距离较远的神经元产生抑制性联接。在这种联接机制中引人竟争机制的学习方式称为竟争式学习。它的本质在于神经网络中高层次的神经元对低层次神经元的输入模式进行竞争识别。;6.2 前向神经网络;芋尘青涕拖鸳赠蓄当盅滨颊独玖愧解撂倘挚菇拌末签叹钳详散叠埔倒济句Chapter 6 专家控制系统课件Chapter 6 专家控制系统课件;感知器的一种学习算法： ;6.2.2 BP网络;宅雨投弄刘胜摹厂凯仔粗吼记泳泰痊惦处疆渐晨蛇颜离品嵌睫久靴吕蕉懒Chapter 6 专家控制系统课件Chapter 6 专家控制系统课件;误差反向传播的BP算法简称BP算法，其基本思想是最小二乘算法。它采用梯度有哪些信誉好的足球投注网站技术，以期使网络的实际输出值与期望输出值的误差均方值为最小。 BP算法的学习过程由正向传播和反向传播组成。在正向传播过程中，输入信息从输入层经隐含层逐层处理，并传向输出层，每层神经元（节点）的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转人反向传播，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，使误差信号最小。; 1．BP网络的前馈计算 2．BP网络权值的调整规则 1). 输出层权系数的调整 2). 隐含层节点权系数的调整 3．BP学习算法的计算步骤 ; 3．BP学习算法的计算步骤 1). 初始化 置所有权值为较小的随机数 2). 提供训练集 3). 计算实际输出，计算隐含层、输出层各神经元输出 4). 计算目标值与实际输出的偏差E 5). 计算 6). 计算 7). 返回“2）”重复计算，直到误差满足要求为止 ;赎企谨酋八哇跋隘撑援驳捅鞍傍绽丽化寺疑厅屑咨辐钦涸烷榴伤迸也赃诌Chapter 6 专家控制系统课件Chapter 6 专家