计算机控制系统设计_第六章__神经网络控制技术.pptVIP

第六章 神经网络控制技术 6.1 神经网络基础 6.2 神经网络的结构和学习规则 6.3 典型前向网络——BP网络 6.4 典型反馈网络——Hopfield网络 6.5 应用神经网络产生模糊集的隶属函数 6.6 神经网络控制原理 6.7 神经网络在控制工程中的应用 6.8 单神经元控制的直流调速系统 神经网络是由众多简单的神经元连接而成的一个网络。是高度非线性动力学系统，可表达很多复杂的物理系统。 神经网络的下列特性对控制是至关重要的： (1)并行分布处理 (2)非线性映射 (3)通过训练进行学习 (4)适应与集成 (5)硬件实现 6.1 神经网络基础 生物神经元结构：由细胞体、树突和轴突组成。 3．常用的非线性函数 具有两个显著的特征，一是它的突变性，二是它的饱和性，这正是为了模拟神经细胞兴奋过程所产生的神经冲动以及疲劳等特性。 6.2 神经网络的结构和学习规则 神经网络的学习 1．联想式学习——Hebb规则 2．误差传播式学习——Delta学习规则 3．竞争式学习 6.3 典型前向网络——BP网络 6.4 典型反馈网络——Hopfield网络 美国物理学家Hopfield提出离散型Hopfield神经网络和连续型Hopfield神经网络，引入“计算能量函数”的概念，给出了网络稳定性判据，尤其是给出了Hopfield神经网络的电子电路实现，开拓了神经网络用于联想记忆和优化计算的新途径. 结论：总有 0，这表明神经网络在运行过程中能量将不断降低，最后趋于稳定的平衡状态。 连续型Hopfield网络 6.5 应用神经网络产生模糊集的隶属函数 6.6 神经网络控制原理 6.7 神经网络在控制工程中的应用 6.8 单神经元控制的直流调速系统 从理论上讲，由于神经网络具有很强的信息综合能力，在计算速度能够保证的条件下，可以解决任意复杂的控制问题，但目前缺乏相应的神经网络微机硬件的支持。 近年来，单神经元构成的控制器结构简单，易于实时控制. 单神经元直流调速系统参数设计 仿真结果表明，基于单神经元自适应PID控制器具有很强的鲁棒性和自适应性。基于单神经元自适应PID控制器直流调速系统，在允许负载、电枢电阻和转动惯量变化的范围内，都能保持响应的快速性以及无静差、无超调的优良性能。 * * 轴突通过轴突末梢向其它神经元传出神经冲动。 树突相当于细胞的输入端，它用于接受周围其它神经细胞传人的神经冲动。 神经冲动只能由前一级神经元的轴突末梢传向下一级神经元的树突或细胞体，不能作反方向的传递。 神经元具有两种常规工作状态：兴奋与抑制，即满足0—1律。 当传入的神经冲动使细胞膜电位升高超过阈值时，细胞进入兴奋状态，产生神经冲动并由轴突输出；当传人的神 经冲动使膜电位下降低于阈值时，细胞进入抑制状态，没有神经冲动输出。 前向网络(前馈网络) 反馈网络 1．前向网络(前馈网络) 前向网络通常包含许多层，含有输入层、隐层和输出层的三层网络。 2．反馈网络 反馈网络从输出层到输入层有反馈，既可接收来自其它节点的反馈输入，又可包含输出引回到本身输入构成的自环反馈 。 3．相互结合型网络 属于网状结构，构成网络中的各个神经元都可能相互双向联接。若某一时刻从神经网络外部施加一个输入，各个神经元一边相互作用，一边进行信息处理，直到使网络所有神经元的活性度或输出值，收敛于某个平均值作为信息处理的结束。 4．混合型网络 混合型网络联接方式介于前向网络和相互结合型网络之间，在同一层内有互联，目的是为了限制同层内神经元同时兴奋或抑制的神经元数目，以完成特定的功能 。