第6、7、8章+人工神经网络.ppt

第6、7、8章 人工神经网络 模糊控制从人的经验出发，解决了智能控制中人类语言的描述和推理问题，尤其是一些不确定性语言的描述和推理问题，从而在机器模拟人脑的感知、推理等智能行为方面迈出了重大的一步。 神经元具有如下功能： (1)?兴奋与抑制：如果传入神经元的冲动经整合后使细胞膜电位升高，超过动作电位阈值时即为兴奋状态，产生神经冲动，由轴突经神经末梢传出。如果传入神经元的冲动经整合后使细胞膜电位降低，低于动作电位的阈值时即为抑制状态，不产生神经冲动。 (2) 学习与遗忘：由于神经元结构的可塑性，突触的传递作用可增强和减弱，因此神经元具有学习与遗忘的功能。 决定神经网络模型性能三大要素为： (1)?神经元（信息处理单元）的特性； (2)?神经元之间相互连接的形式—拓扑结构； (3)?为适应环境而改善性能的学习规则。 自联想，如通过训练已在W中存贮了两种模式的图形A1、A2，自联想要求由输入的失真图形Ai’(i=1,2)，联想回忆Ai； 它联想，联想要求通过训练在W中存贮模式图形对（A1,B1）、(A2,B2)，对输入失真的图形Ai’(i=1,2)，联想回忆Bi(i=1,2) BP网络的训练过程如下：正向传播是输入信号从输入层经隐层传向输出层，若输出层得到了期望的输出，则学习算法结束；否则，转至反向传播 以第p个样本为例，用于训练的BP网络结构如下图所示。 图 BP神经网络结构 网络的学习算法如下： （1）前向传播：计算网络的输出。 隐层神经元的输入为所有输入的加权之和： 隐层神经元的输出 采用S函数激发 ： 则 网络第 个输出与相应理想输出 的误差为： 第p个样本的误差性能指标函数为： 其中N为网络输出层神经元的个数。 （2）反向传播：采用梯度下降法，调整各层间的权值。权值的学习算法如下： 输出层及隐层的连接权值 学习算法为： 其中 隐层及输入层连接权值 学习算法为： 如果考虑上次权值对本次权值变化的影响，需要加入动量因子 ，此时的权值为： 5.4 BP网络的优缺点 BP网络的优点为： （1）只要有足够多的隐层和隐层节点，BP网络可以逼近任意的非线性映射关系； （2）BP网络的学习算法属于全局逼近算法，具有较强的泛化能力。泛化能力指根据有限样本得到的网络模型对其他变量域也有良好的预测能力. 它与鲁棒性有一定的联系的.泛化能力好的网络设计的神经网络控制器的鲁棒性也会有所改善. （3）BP网络输入输出之间的关联信息分布地存储在网络的连接权中，个别神经元的损坏只对输入输出关系有较小的影响，因而BP网络具有较好的容错性。 BP网络的主要缺点为： （1）待寻优的参数多，收敛速度慢； （2）目标函数存在多个极值点，按梯度下降法进行学习，很容易陷入局部极小值； （3）难以确定隐层及隐层节点的数目。目前，如何根据特定的问题来确定具体的网络结构尚无很好的方法，仍需根据经验来试凑。 由于BP网络具有很好的逼近非线性映射的能力，该网络在模式识别、图像处理、系统辨识、函数拟合、优化计算、最优预测和自适应控制等领域有着较为广泛的应用。 由于BP网络具有很好的逼近特性和泛化能力，可用于神经网络控制器的设计。但由于BP网络收敛速度慢，难以适应实时控制的要求。 六、 神经网络特征 神经网络具有以下几个特征： （1）能逼近任意非线性函数； （2）信息的并行分布式处理与存储； 七、 神经网络控制的研究领域 1 基于神经网络的系统辨识 ① 将神经网络作为被辨识系统的模型，可在已知常规模型结构的情况下，估计模型的参数。 ② 利用神经网络的线性、非线性特性，可建立线性、非线性系统的静态、动态、逆动态及预测模型，实现非线性系统的建模和辨识。 (4) 优化计算 在常规的控制系统中，常遇到求解约束优化问题，神经网络为这类问题的解决提供了有效的途径。 目前，神经网络控制已经在多种控制结构中得到应用，如PID控制、模型参考自适应控制、前馈反馈控制、内模控制、预测控制、模糊控制等。 反馈神经网络的输出信号反馈到其输入端，因此，在输入的激励下，会产生不断的状态变化。当有输入之后，可以求取Hopfield的输出，这个输出反馈到输入从而产生新的输出，如此往复。 如果Hopfield网络是能收敛的稳定网络，这个反馈与迭代的计算过程所产生的变化将越来越小，Hopfield网络会输出一个稳定的恒值。对于Hopfield网络，关键在于稳定条件下的权系数。 反馈网络有稳定