【智能控制】有监督和BP神经网络-1.pptVIP

* 基于神经元网络的智能控制 神经元网络的特点： 1）非线性 2）分布处理 3）学习并行和自适应 4）数据融合 5）适用于多变量系统 6）便于硬件实现 ●神经元网络的简化模型 ai1 ai2 a in bi1 bi2 bim wi y1 y2 y n u1 uk um 1 vi x i y i ●神经元网络的一般模型框架 1）加法器 2）线性动态系统（SISO） 3）静态非线性系统 ︰ ︰ 式中 aij 和bik 为权系数，i,j =1,2,…,n, k= 1,2,…m. n 个加法器可以写成向量形式： —— N维列向量 —— N维列向量（单元输出） ——N×N维矩阵 ——N×M维矩阵 —— M维列向量（外部输入） —— M维常向量 ▲ 线性动态系统 典型的有： ▲静态非线性系统 典型的有： g(x) g(x) g(x) x x x 阈值函数 阈值函数 Sigmoid函数 ∑ ∑ （双极型） Sigmoid u1 ui ?i u1 ui ?i y i y i Adline(自适应线性网） 单层感知器(Perceptron) ▲不同的部件可以组成不同的网络 ︰ ︰ ? K ui y j yi 离散Hopfield网 y1 y2 y3 y4 u1 u2 u3 u4 ? yj yi ui xi 连续的Hopfield网 ●按学习的方法神经元网络可分成二类： 1）有监督的学习网络： 感知器 误差反传网络（BP） 小脑模型连接控制器（CMAC） 模块（组合）网络 增强学习网络 ● 有监督的神经网络 1）感知器网络 感知器是前馈(正向传输)网络,所有节点都是线性的. ● ● ● ● ● ● ● ● ● ● ● ● x1 x2 xn b1 b2 bm 权向量W 2）无监督学习网络 竞争学习和Kohonen网络 Hopfield网络 双向联想存贮器（BAM） Boltzman机 输入与输出的关系： 权矩阵可以按下式求解： 学习规则： 代表输入与输出的差别。 是学习因子 这学习规则即是著名的 学习规则。 随着学习迭代次数k的增加， 保证网络的收敛。 ● 反传（BP）网络 误差反传（学习算法） （BP）网络与感知器的主要差别在于：（BP）网络的节点 是非线性的。 采用广义 学习规则。 ● 反传（BP）网络的结构图 一个输入层，一个输出层，多个隐层。 j p p1 xp1 x pn t pk t pm Op1 O pn Op2 隐层 wj1 wjn 输入层 隐层 输出层 信息流 · · · · · · pm 隐层节点j输出和输入节点p的关系： 输出节点k和隐层输出节点p的关系： 学习过程： 定义输出误差 *