人工神经网络在结构控制中de应用.docVIP

第三章 人工神经网络在结构控制中的应用 3.1 引言 神经网络理论是人工智能的一个前沿研究领域，已成功地应用于许多方面。它是模拟人脑活动的一种信息处理方法。神经网络是由大量神经元相互连接而成的复杂网络系统，它是高度非线性动力学系统，虽然单个神经元的结构和功能极其简单和有限，但网络的动态行为是极为复杂丰富的，从而可以模拟实际物理现象。 反向误差传播(Back Error Propagation简称BP)网络模型作为人工神经网络的一种，是目前比较成熟且应用较为广泛的一种神经网络模型。它把一组训练样本输出问题转变成一个非线性映射问题，可以以任意精度逼近任何非线性函数。 本章简要介绍了人工神经网络的基本概念与特点、其基本结构与模型，着重讨论了多层前馈网络与BP算法，以及在进行BP网络设计时需要考虑的几个方面，并对人工神经网络在结构非线性控制及结构辨识中的应用做了简要的总结。 3.2 人工神经网络概述[77~81] “人工神经网络”(ARTIFICIAL NEURAL NETWORK，简称A.N.N.)是在对人脑组织结构和运行机智的认识理解基础之上模拟其结构和智能行为的一种工程系统生物学的研究发现，人的大脑大约有10的十次方个神经细胞，每个细胞约有10的四次方通路与其它细胞相连，并且通过突触一个神经细胞和另一个神经细胞相联系的结构部分交换信息，整个大脑构成了一个纵横交错的极其复杂的非线性网络结构。ANN就是抽象、简化与模拟上述大脑生物结构的计算模型，又称为连结主义或并行分布处理PDP)模型。ANN由大量功能简单而具有自适应能力的信息处理单元-人工神经元以下简称为神经元，它可以是电子元件、光学元件按照大规模并行的方式，通过一定的拓扑结构连接而成。神经元是对人脑神经细胞功能的抽象、简化与模拟。如图  图中， 1,x 2，…，xm是神经元的输入，它可以是来自外界的信息，也可能是另一个神经元的输出； 1j,w2j,…，wmj是输出大神经元的权值，它表示神经元的连接强度，由神经网络的学习过程学习决定；? 神经元的内部阀值门限值；是神经元的函数（或称为函数），其作用是把可能的无限域变换到给定的范围输出，以模拟生物神经元转移特性由图可见，简单神经元主要由权值、门限和非线性函数的形式来定义，它通过对多个输入值和施加非线性函数变换而得到输出。 (3-1) (2) 线性型 线性激活函数使函数的输出等于加权输入和加上偏差，如图3-3所示。此函数的输入/输出关系为 (3-2) (3) S型（Sigmoid） S型激活函数将任意输入值压缩到(0，1)的范围内，如图3-4所示。此种激活函数常用对数或双曲正切等一类S形状的曲线来表示，如对S型激活函数关系为 (3-3) 而双曲正切S型曲线的输入/输出关系为 (3-5) S型激活函数具有非线性放大增益，对任意输入的增益等于在输入/输出曲线中该输入点处的曲线斜率值。当输入由－∞增大到零时，其增益由0增至最大；然后当输入由0增加至＋∞时，其增益又由最大逐渐降低至0，并总为正值。利用该函数可以使同一神经网络既能处理小信号，也能处理大信号。因为该函数的中间高增益区解决了处理小信号的问题，而在伸向两边的低增益区正好适用于处理大信号的输入。 3.2.3 多层神经网络BP算法 在众多的神经网络结构中，多层前馈神经网络（Multi-Layer Feedforward Neural Net-works，简称MFNN）是目前应用最广泛也最成熟的一种网络结构。 含有隐层的的多层前馈网络能大大提高网络的分类能力，但长期以来没有提出解决权值调整问题的有效算法。1986年，Rumelhart和McCelland领导的科学家小组在《Parallel Distributed Processing》一书中，对具有非线性连续激活函数的多层前馈网络的误差反向传播（Error Back Proragation，简称BP）算法进行了详尽的分析，实现了Minsky关于多层网络的设想。由于多层前馈网络的训练经常采用误差反向传播算法，人们也常把多层前馈网络直接称为BP网。图3-5所示为一多层前馈神经网络。 3.2.3.1 BP算法的基本思想 BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望的输出（教师信号）不符，则转入误差的反向传播阶段。误差反传是将输