智能控制(第三版)chap7-刘金琨.ppt

图7-23 合适 bj与 cj值的RBF网络逼近RBF (Mb=1, Mc=1) 图7-24 不合适bj 与合适cj 值的RBF网络逼近 (Mb=2, Mc=1) 图7-25 合适的 bj与不合适的cj值的RBF网络逼近 (Mb=1, Mc=2) 图7-26 不合适bj 和cj 值的RBF网络逼近(Mb=2, Mc=2) 7.3.5 隐含层节点数对RBF网络逼近的影响 由高斯函数的表达式可见，逼近误差除了与高斯函数的中心点坐标cj 和宽度参数bj 有关，还与隐含层神经元节点数量有关。 采用RBF网络对如下离散模型进行逼近 仿真中，取 ， 。神经网络权值的初始值取零，取高斯基函数参数bj=1.5 。取RBF网络的输入为u(k)=sint 和y(k) ，网络结构取2-m-1, m为隐含层节点数。为了表明隐含层节点数对网络逼近的影响，分别取m=1 ，m=3 ，m=7 ，所对应的 cj分别取cj=0 ， 和 仿真结果如图7-27至图7-32所示。由仿真结果可见，随着隐含层神经元节点数的增加，逼近误差下降。同时，随着隐含层神经元节点数的增加，为了防止梯度下降法的过度调整造成学习过程发散，应适当降低学习速率 。仿真程序为chap7_9.m。 图7-27 单个隐含神经元的高斯基函数(m=1) 图7-28 含有单个隐含层神经元的逼近 (m=1) 图7-29 3个隐含层神经元的高斯基函数(m=3) 图7-30 含有3个隐含层神经元的逼近 ( m=3) 图7-31 7个隐含层神经元的高斯基函数( m=7) 图7-32 含有7个隐含层神经元的逼近 (m=7) 7.3.6 控制系统设计中RBF网络的逼近 ＲＢＦ网络可对任意未知非线性函数进行任意精度的逼近[1,2]。在控制系统设计中，采用RBF网络可实现对未知函数的逼近。 例如，为了估计未知函数f(x)，可采用如下RBF网络算法进行逼近 (7.25) 其中x 为网络输入，i表示输入层节点，j为隐含层节点， 为隐含层的输出， 为理想权值， 为网络的逼近误差， 在控制系统设计中，可采样ＲＢＦ网络对未知函数f 进行逼近。一般可采用系统状态作为网络的输入，网络输出为 (7.26) 其中 为估计权值。 在实际的控制系统设计中，为了保证网络的输入值处于高斯基函数的有效范围，应根据网络的输入值实际范围确定高斯基函数中心点坐标向量c 值，为了保证高斯基函数的有效映射，需要将高斯基函数的宽度bj 取适当的值。 的调节是通过闭环的Lyapunov函数的稳定性分析中进行设计的。 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 输出层神经元的输出： 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： 其中 为动量因子。 7.2.7 仿真实例：? 取标准样本为3输入2输出样本，如表7-1所示。 输 入 输 出 1 0 0 1 0 0 1 0 0 0.5 0 0 1 0 1 表7-1 训练样本 BP网络模式识别程序包括网络训练程序chap7_2a.m和网络测试程序chap7_2b.m。 7.3 RBF神经网络 径向基函数(RBF-Radial Basis Function)神经网络是由J.Moody和C.Darken在80年代末提出的一种神经网络,它是具有单隐层的三层前馈网络。由于它模拟了人脑中局部调整、相互覆盖接收域（或称感受野-Receptive Field）的